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

声学监测（PAM）研究通过使用数千小时的音频来监测动物群体、开展广泛的生物多样性调查、探测偷猎等威胁，并提出直接估计呼叫密度的方法，以更严谨地解决由于数据分布转变引起的核心问题并设计相应策略，并在夏威夷鸟类的实际研究中测试了该方法的有效性。

Feb, 2024

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

利用无损声学监测方法追踪全球生物多样性和人类活动对物种的影响，在此工作中，我们提出了一种基于对比语音 - 音频预训练的生物声学模型 BioLingual，该模型能够跨类别识别超过一千种动物的叫声并通过自然语言查询检索动物语音记录。

Aug, 2023

本文介绍了一种通过利用深度学习技术实现鸟类在野外自动监测的方法，基于摄像机捕捉数据，使用 Faster-RCNN 架构实时分类图像，并通过 GPU 进一步处理数据，从而有效地减少了手动观测的需要，并取得了较为显著的监测鸟类的准确率

May, 2023

本文提出了一种结合人工智能和人类智能的主动学习系统，能够快速准确地对相机陷阱图像中的动物进行识别和计数，可将手动标注的工作量减少了 99.5% 以上。

Oct, 2019

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

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

本文阐述了野生动物种群监测中的探照灯自动采集引进了大量图像数据，使用目标检测技术识别和计算每个物种个体数时需要考虑时空因素以及个体重新识别，同时描述了一个跨地区的物种分类和数量计算的挑战。

May, 2021