基于类集的开放集生物声学信号分类与封闭集未知生物声学信号的类集

科学领域:

• 生物声学是一种生物声学.
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 生物声学分类的深度学习通常使用封闭集识别 (CSR),限制其有效性与现实世界的数据变化.
• 开放式集识别 (OSR) 通过将输入分类为已知或未知来解决这个问题,但其在生物声学中的应用,特别是动物声音,还不发达.

研究的目的:

• 提出一种新的方法,专门用于动物声音的开放式生物声学信号分类.
• 解决企业社会责任在处理多样化,现实世界生物声学数据方面的局限性.
• 开发一种能够准确识别目标动物物种和识别未知的声音的分类器.

主要方法:

• 提出了一种基于类定集群 (CAC) 损失的新型开放式生物声学信号分类方法.
• 该方法在训练过程中通过添加一个"未知"类来结合封闭的未知生物声学信号集,利用n+1交叉损失与CAC损失一起.
• 为了评估,创建了一个包含101个物种的动物声音数据集.

主要成果:

• 与基线方法相比,拟议的方法在关键指标上的表现优于基线方法.
• 在检测目标和未知类的接收器操作曲线下面的区域观察到性能改进.
• 该方法实现了对开放集信号和目标类的更高的分类准确性.

结论:

• 开发的方法有效地分类已知的动物声音,同时准确地识别未知的生物声学信号.
• 这种方法推进了在生物声学领域的开放集识别的应用.
• 这些发现表明,生物声学分类系统在现实应用中的稳定性得到了显著改善.