面向鸟类生物声学的深度主动学习
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
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
本篇论文就深度主动学习进行了大规模实证研究,针对多种任务和数据集、模型以及获取函数,证实贝叶斯主动学习方法在许多方面都优于传统的不确定性采样方法。
Aug, 2018
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
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
本文研究了主题 “主动学习”,发现尽管在特定模型和特定领域中使用主动学习可能会带来好处,但在不同模型和任务之间泛化当前方法的好处不可靠,并且主动学习的认购数据与指导其获取的模型相结合,与使用独立同分布的(I.I.D)随机样本训练继任模型的方法相比并没有明显的优势,主动学习的局限性是否值得现实中的应用,值得深思。
Jul, 2018