利用热带珊瑚礁、鸟类和无关声音进行优秀的海洋生物声学转移学习

Apr, 2024

利用热带珊瑚礁、鸟类和无关声音进行优秀的海洋生物声学转移学习

Leveraging tropical reef, bird and unrelated sounds for superior transfer learning in marine bioacoustics

Ben Williams, Bart van Merriënboer, Vincent Dumoulin, Jenny Hamer, Eleni Triantafillou...

TL;DR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。

Abstract

machine learning has the potential to revolutionize passive acoustic monitoring (PAM) for ecological assessments. However, high annotation and compute costs limit the field's efficacy. Generalizable pretrained networks<

machine learning passive acoustic monitoring pretrained networks coral reef bioacoustics marine pam data

发现论文，激发创造

具备人类语言监督的可转移生物声学模型

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

通过深度学习自动识别鸟类声音：首届鸟类声音检测挑战赛

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

规则化对比预训练用于少样本生物声音检测

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

深度音频嵌入解析鸟鸣

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

利用众包训练数据在未知的声音背景中检测鸟鸣声

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

探索基于元信息的音频零样本鸟类分类

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

生物声音的自动深度学习

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

跨领域声音识别用于高效水下数据分析

本论文提出了一种新颖的深度学习方法，通过利用在广泛范围的非水下（空中）声音上训练的模型分析海量水下声音数据。我们通过主成分分析和 UMAP 可视化方法，在二维空间中对水下数据进行了聚类，并选择候选标签进行进一步训练。其次，我们使用选定的水下数据和非水下数据集训练了一个神经网络模型，并量化分析了模型对于识别空气枪声，一种常见的水下声音，的准确率、召回率和 F1 得分。我们的模型达到了超过 84.3% 的 F1 得分，证明了我们的方法在分析水下声学数据方面的有效性。该论文提出的方法在减少水下数据分析所需的工作量方面具有重要潜力，为跨领域数据分析的进一步研究开辟了新的可能性。

Sep, 2023

使用二元预排序提高基于深度学习的灵长类动物声音分类

在野生动物观测和保护领域中，本研究介绍了一种基于机器学习的方法，利用声音记录和 MEL 频谱图的子区段进行二分类和多类别分类，在分类任务上表现显著优于之前的模型基线。

Jun, 2023

评估小型脚印深度学习方法在新标注数据集上的西地中海湿地鸟类分类

本文提出了一种基于生态学价值自动化分析和检测鸟类物种的专家系统的部署，该系统通过无线声学传感器网络和具有深度学习技术的深度神经网络来实现鸟类的准确分类，并对 VGG16、ResNet50 和 MobileNetV2 这三种深度神经网络的效果进行比较分析，发现 MobileNetV2 的 F1 得分优于 VGG16 而略低于 ResNet50，且模型大小小得多。

Jul, 2022