Jun, 2024

南非鸟类物种的自动生物声学监测在未标记数据上

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 面向鸟类生物声学的深度主动学习

    被动声学监测（PAM）在鸟类生物声学中能够以最小干扰自然栖息地的方式实现经济高效、广泛的数据收集。本文概述了一种深度主动学习方法，介绍了关键挑战，并进行了一个小规模的试点研究。

    Jun, 2024

  • 自动化动物密度估计与声学空间捕获 - 再捕获

    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

  • 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

  • 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

    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

  • 面向声学生物多样性监测的小型精确卷积神经网络

    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

  • 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

  • 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