使用热带珊瑚,鸟类和与之无关的声音来实现海洋生物声学中的高级转移学习
Ben Williams1,2,3, Bart van Merriënboer4, Vincent Dumoulin5
1University College London, London, UK.
概括
在各种音频数据集上预训练机器学习模型,包括鸟类和无关声音,显著改善了热带珊瑚礁的声学监测. 这种跨领域的方法降低了成本,提高了生态评估的准确性.
科学领域:
- 生态生态学 生态生态学
- 机器学习 机器学习
- 生物声学是一种生物声学.
背景情况:
- 被动声学监测 (PAM) 对于生态评估至关重要,但受到高标注和计算成本的限制.
- 可通用预训练网络可以降低这些成本,但需要大量的注释库,目前偏爱数据丰富的鸟类类.
- 为热带珊瑚礁等数据不足领域开发有效的预培训策略对于更广泛的PAM采用至关重要.
研究的目的:
- 确定机器学习模型在数据不足的声学监控领域的最佳预训练策略.
- 评估不同预训练数据集 (如鸟类音频,珊瑚音频,无关音频和混合域) 的有效性,用于热带珊瑚礁声音分析.
- 开发一个强大的预训练网络 (SurfPerch),以高效准确地对热带珊瑚礁PAM数据进行自动化分析.
主要方法:
- 汇集的ReefSet,一个有57,000个声音的标注库,包含来自16个数据集的热带珊瑚礁声音.
- 使用各种音频数据集进行多次预训练实验,包括鸟类音频 (50x ReefSet大小),ReefSet本身,无关音频和跨域混合.
- 在使用接收器运行特征曲线 (AUC-ROC) 下面面积的持有珊瑚礁数据集上评估模型通用性.
主要成果:
- 在大型鸟类音频库上进行预训练 (AUC-ROC 0.881 ±0.11) 优于在ReefSet (0.724 ±0.05) 或与之无关的音频 (0.834 ±0.05) 上进行预训练.
- 跨领域预训练,混合鸟类,珊瑚礁和无关的音频,产生了最高的转移学习性能 (AUC-ROC 0.933 ± 0.02).
- 开发的SurfPerch网络证明了热带珊瑚礁PAM分析的强大通用性.
结论:
- 跨领域预训练是增强机器学习模型通用性的最有效策略,用于数据缺乏的声学监测领域.
- SurfPerch网络提供了一种成本效益高的解决方案,用于对热带珊瑚礁和相关PAM数据的自动分析.
- 这种方法显著降低了注释和计算障碍,促进了PAM在生态研究和保护中的更广泛使用.


