本文提出了一种基于机器学习和图像处理的新方法，用于在高环境噪声和干扰噪声的情况下识别北大西洋北鲸的叫声，并采用连续区域算法和网格掩模技术进行处理，提取特征并进行分类，结果表明该技术可以有效地从 20000 多个音频片段中检测到鲸鱼叫声，并超过了 90% 的真实阳性率。

May, 2013

非主动声学监测是一种监测难以通过视觉调查的有声野生动物种群的有效方法。机器学习方法常用于识别目标物种的鸣叫，但很难检测到所有鸣叫并且常常产生误报。我们提出了三种声学空间捕获 - 释放推断的方法，将机器学习的不确定性融入推断过程中，以解决误报问题。通过模拟测试，我们发现在基于海南长臂猿的声学数据场景中，采用我们的方法可以减少 17% 的正向偏差，并且覆盖概率接近标准的 95% 水平。

Aug, 2023

畜牧饲料行为监测的自动化方法和技术的综述，讨论了不同的传感方法、信号处理和计算智能方法，并强调了自动监测系统提供有价值信息以改善我们对畜牧饲料行为的理解的潜力。

Dec, 2023

通过建立鸟鸣音的生成模型和采用新颖性检测技术，可以在全球范围内使用廉价的无人值守记录站或使用移动设备上的录音和物种识别进行大规模众包，可靠地识别动物物种的能力受到限制。

May, 2015

使用现代机器学习技术进行鸟类检测，无需人工重新校准，也不需要针对目标物种或目标环境中的声学条件进行预训练，可在远程监测数据中实现非常高的检索率，达到约 88％的 AUC 性能，并讨论了将这种检测方法整合到远程监测项目中的方法。新的声学监测数据集被提出并进行了详细的性能评估。

Jul, 2018

通过使用时间索引标签及适当大小的 RF，我们设计出了适用于紧凑低成本设备的小型 CNN 模型，实现了较好的分类性能。

Dec, 2023

基于被动声学监测（PAM）录音进行生物多样性监测的分析既耗时又受到录音中背景噪声的挑战，现有的声音事件检测（SED）模型仅适用于特定的鸟类物种，进一步模型的发展需要标记数据。本研究开发的框架从可用平台自动提取选定鸟类物种的标记数据，将标记数据嵌入到包括环境声音和噪声在内的录音中，用于训练卷积递归神经网络（CRNN）模型。该模型在记录于南非库鲁纳塔尔地区城市栖息地的未经处理的真实世界数据上进行评估，修正的 SED-CRNN 模型达到了 0.73 的 F1 分数，证明其在嘈杂的真实环境条件下的高效性。该研究提出的自动提取选定鸟类物种的标记数据的方法为未来保护项目中轻松实现将 PAM 技术适用于其他物种和栖息地提供了可能。

Jun, 2024

通过使用计算框架，本研究提供了从视觉隔离挑战中诱导的泌乳成年多胎生奶牛在负面情感状态下的最大程度预处理数据集（不含噪音），以实现低频和高频牛叫声的分类以及个体奶牛语音识别。其中，深度学习和可解释的机器学习框架的模型，分别达到了 87.2% 和 89.4% 的低频和高频分类准确率，以及 68.9% 和 72.5% 的个体牛辨识准确率。

Jul, 2023

自动监测仔牛行为是评估动物福利的有前途的方法。本研究旨在从加速度计数据中开发机器学习模型，对断奶前的仔牛主要行为进行分类，并建立数字工具以监测仔牛的行为。

Jun, 2024

该研究使用神经辐射场方法处理像素错位和噪声问题来提升拍摄设备的图像质量和降噪能力。

Apr, 2022