重塑生物声学事件检测:利用通过传导推理和数据增强的少数射击学习 (FSL)
Nouman Ijaz1, Farhad Banoori2,3, Insoo Koo1
1Department of Electrical, Electronics and Computer Engineering, University of Ulsan, Ulsan 44610, Republic of Korea.
Bioengineering (Basel, Switzerland)
|July 27, 2024
概括
这项研究引入了一种用于生物声学事件检测的新型少数射击学习 (FSL) 方法. 该方法提高了鉴定动物声音的准确性,使用有限的数据,优于现有方法.
科学领域:
- 生物声学是一种生物声学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 生物声学事件检测是具有挑战性的,因为缺乏标记数据用于训练监督学习模型.
- 现有的方法在有限的记录和少数标记的例子中扎,阻碍了准确的动物声音分类.
研究的目的:
- 开发和评估用于生物声学事件检测的几次射击学习 (FSL) 方法,以克服数据限制.
- 改进自然息地动物声音的识别和分类,使用最小的标记数据.
主要方法:
- 一个简单的学习 (FSL) 方法,结合了传导推断和数据增强 (Mel谱图上的 SpecAugment).
- 传导推理反复地改进类原型和特征提取器以捕获关键模式.
- 数据增强技术用于增加培训数据的数量和多样性.
主要成果:
- 与最先进的方法相比,DCASE-2022数据集的F-score显著改善了27%,DCASE-2021数据集的F-score显著改善了10%.
- 拟议的方法在各种动物物种,记录条件和持续时间中显示出强大的性能.
- FSL方法的所有组件都为显著的性能增长做出了贡献.
结论:
- 开发的FSL方法有效地解决了生物声学中有限的标记数据的挑战.
- 这种方法提供了一个有希望的解决方案,用于准确和适应性动物声音检测在现实世界的场景.
- 该方法能够在不同的声环境和物种中进行概括,这突显了其实用性的实用性.
