机器学习对于生态评估中的被动声学监测具有革命性的潜力，通过预训练网络可以降低高昂的注释和计算成本，本研究在珊瑚礁生物声学领域确定了最佳的预训练策略，通过交叉领域混合预训练，实现了用于海洋被动声学监测数据的自动化分析。

Apr, 2024

研究使用半监督学习方法通过深度学习和声学监测来掌握鸟类叫声和环境噪声的特征，以提高环境声学数据的分类精度和深入了解环境声学数据的潜在结构。

Aug, 2021

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

使用知识蒸馏技术设计高效、轻量级的学生模型进行生物声学中的语音检测，并与 EcoVAD 教师模型进行对比分析，结果显示蒸馏模型表现出与教师模型相当的性能，为实时生态监测提供了有希望的方法。

Dec, 2023

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

通过提供开源代码，本研究旨在降低少样本生物声事件检测的门槛，通过提出一个简单而有效的框架来实现此任务，并通过规范化监督对比预训练来学习能够在新目标任务中进行良好迁移的特征，从而在无特征适应时取得 61.52%（0.48）的高 F 分数，在进一步对新目标任务进行特征适应时获得 68.19%（0.75）的 F 分数。

Sep, 2023

这项研究利用元信息来改善零样本音频分类，以鸟类物种作为例子进行了研究，并通过文本描述、功能特征和鸟类生活历史三种元信息的来源，提取了音频特征并采用零样本学习算法得出了最佳结果。

Sep, 2023

该研究探讨了自动化深度学习在多类鸟类声音分类中提高准确性和效率的潜力，与传统手动设计的深度学习模型进行对比。采用西地中海湿地鸟类数据集，研究了使用 AutoKeras（一种自动化机器学习框架）来自动化神经架构搜索和超参数调优。比较分析验证了我们的假设，即 AutoKeras 导出的模型在性能上一直优于传统模型（如 MobileNet、ResNet50 和 VGG16）。该研究突显出自动化深度学习在推动生物声学研究和模型方面的变革潜力，事实上，自动化技术消除了对手动特征工程和模型设计的需求，同时提高了性能。该研究通过样本、评估和报告的最佳实践，提升了这一新兴领域的可复制性。所有使用的代码可在 https://github.com/giuliotosato/AutoKeras-bioacustic 获取。

Nov, 2023

本研究通过 wav2vec 2.0 模型中提取的嵌入来区分多达 100 种荷兰四种方言的发音差异，结果表明，基于声学模型的方法优于基于电话转录的方法，且 XLSR-53 模型在荷兰方言的微调后表现最佳，仅仅利用六秒的语音，即可得到与实际情况吻合的聚类。

May, 2022