本文着重研究如何检测北大西洋露脊鲸的联系呼叫声，并提出了一种新的算法，该算法经过预处理的声波，然后使用基于树的层次分类器对数据进行分类，并获得了接近85％的成功率。

Apr, 2013

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

该论文介绍了一种基于光谱图边缘检测、能量投影和分类的多阶段过程自动检测和识别叉鲸脉冲训练歌曲的方法，给出了在大量数据集上的定量分析和机器学习分类器的性能，PPV为84％，TPR为63％，F1分数为71％。

May, 2013

介绍了一种名为CUREE的机器人平台，利用其行为和感知能力可以深入地探索和监测复杂的水下生态系统，如珊瑚礁，并通过两个实地测试展示了该平台的能力。

Mar, 2023

本研究提出了噪声鲁棒的饲草活动识别器(NRFAR)，通过分析固定长度的下颌运动事件识别牛的觅食活动，经过在不同噪声环境下的验证，NRFAR在牛在自由放牧环境下的实时应用中具有显著的性能优势，能够更好地优化畜牧生产。

Apr, 2023

我们提供了一种高度可靠的水下企鹅检测器、鱼类检测器和海洋掠食者复杂行为的自动视觉检测的宝贵初步尝试。

Aug, 2023

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

海洋哺乳动物通信是一个复杂的领域，本研究关注Watkins海洋哺乳动物声音数据库的数据准备和预处理方法，提出了基于Wavelet Scattering Transform（WST）的新方法，并使用改进后的深度架构，在准确率上超过现有的分类架构6％（使用WST）和8％（使用Mel频谱预处理），成功减少错误分类样本数量一半，达到96％的最高准确率。

Feb, 2024

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

本篇综述论文全面回顾了水下声信号去噪的最新进展，这是改善水下通信和监测系统的可靠性和清晰度的关键领域，尽管该领域取得了重大进展，但水下环境的复杂性带来了独特的挑战，使去噪过程变得复杂。我们首先概述了水下声信号处理所面临的基本挑战，包括信号衰减、噪声变异性和环境因素的影响。接着我们系统地分类和讨论了各种去噪算法，如常规算法、分解算法和基于学习的技术，重点介绍它们的应用、优点和局限性。评估指标和实验数据集也得到了回顾。文章最后列举了一些未解决的问题，并提出了未来研究方向的建议，强调需要开发更加适应动态水下声环境的更加稳健的去噪技术。

Jul, 2024