从大型,未标记的声学数据集中半自动生成特定物种的训练数据,用于深度监督的鸟声隔离
Justin Sasek1, Brendan Allison2, Andrea Contina3
1Department of Computer Science, The University of Texas at Austin, Austin, TX, United States of America.
PeerJ
|September 27, 2024
概括
用特定地点的数据训练深度监督源分离 (DSSS) 模型显著改善了野生动物音频分析. 这种方法在杂的环境中提高了鸟声分离和准确性,使生物声学监测更可靠.
科学领域:
- 生态生态学 生态生态学
- 生物声学是一种生物声学.
- 机器学习 机器学习
背景情况:
- 生物声学监测对野生动物生态至关重要,但由于噪音,其精度很难达到.
- 现有的深度监督源分离 (DSSS) 模型需要特定站点的数据来处理独特的背景音频和变化.
研究的目的:
- 评估训练DSSS模型在特定地点的鸟类发声和背景音频方面的有效性.
- 开发一种强大的方法,以改善野生动物在具有挑战性的声学环境中的音频分析.
主要方法:
- 使用半自动化工作流程,通过混合鸟歌和背景音频来创建特定站点的数据集.
- 在这个定制数据集上训练了一个DSSS模型.
- 评估使用了传统的来源分离指标和鸟类学分析,如自动化特征标签和三边准确性等.
主要成果:
- 特定地点的培训提高了源与扭曲,源与干扰和源与工件的比率,分别为9.33 dB,24.07 dB和3.60 dB.
- 自动化功能标签实现了单位平均绝对百分比错误.
- 鸟三边测定准确度显示平均误差为2.58m.
结论:
- 特定站点的DSSS是野生动物音频分析的强大上游解决方案,克服了背景噪音造成的限制.
- 这种方法证明了对独特的特定站点干扰的稳定性,提高了生物声学监测工具的可靠性.
