网络选择和声环境对使用深度学习工具检测海豚口哨的界限框对象的影响
Peter C Sugarman1, Elizabeth L Ferguson1,2, Gabriela C Alongi2
1Acoustic Interactions, LLC, Bellevue, Washington 98008, USA.
The Journal of the Acoustical Society of America
|June 25, 2025
概括
深度学习模型可以有效地检测瓶鼻海豚哨声,CSP-DarkNet-53显示出卓越的性能. 环境声学对检测准确性有很大的影响,这对概括性构成了挑战.
科学领域:
- 海洋生物学 海洋生物学
- 生物声学是一种生物声学.
- 人工智能的人工智能是人工智能.
背景情况:
- 海洋哺乳动物声调的自动检测对于生态研究至关重要.
- 深度学习需要在数据策划和网络设计方面做出大量努力,以获得最佳性能.
研究的目的:
- 评估深度学习模型,用于在各种声环境中检测瓶鼻海豚哨声.
- 使用DeepAcoustics工具比较不同预训练的神经网络 (CSP-DarkNet-53,ResNet-50,Tiny YOLO) 的性能.
主要方法:
- 经过训练和测试的物体检测网络 (CSP-DarkNet-53,ResNet-50,Tiny YOLO) 使用来自水族馆和公海环境的海豚哨声数据.
- 使用F1分数,平均精度 (AP) 和平均AP指标评估网络性能.
- 研究了来自不同声环境的训练数据对模型通用性的影响.
主要成果:
- 在检测海豚哨声方面,CSP-DarkNet-53的表现始终优于ResNet-50和Tiny YOLO.
- 与开放海洋环境相比,来自水族馆环境的数据的检测性能更高.
- 在开放海洋数据上训练的模型在类似环境中检测哨声方面表现出有限的改进,这表明普遍性存在挑战.
结论:
- 网络架构的选择对于有效的自动检测水下声音至关重要.
- 声学环境对海洋哺乳动物呼叫检测深度学习模型的性能产生重大影响.
- 需要进一步的研究,以提高深度学习模型在各种海洋声景的普遍性.
