PERFORMANCE OF SPECTROGRAM CROSS-CORRELATION IN DETECTING RIGHT WHALE CALLS IN LONG-TERM RECORDINGS FROM THE BERING SEA
Notice bibliographique
Résumé
We investigated the performance of spectrogram cross-correlation for automatically detecting North Pacifi c right whale (Eubalaena japonica) calls in long-term acoustic recordings from the southeastern Bering Sea. Data were sampled by autonomous, bottom-mounted hydrophones deployed in the southeastern Bering Sea from October 2000 through August 2002. A human analyst detected right whale calls within the fi rst month (October 2000) of recorded data by visually examining spectrograms and by listening to recorded data; these manual detections were then compared to results of automated detection trials. Automated detection by spectrogram cross-correlation was implemented using a synthetic kernel based on the most common right whale call type. To optimize automated detection parameters, the analyst performed multiple trials on minutes-long and hour-long recordings and manually adjusted detection parameters between trials. A single set of optimized detection parameters was used to process a week-long recording from October 2000. The automated detector trials resulted in increasing proportions of false and missed detections with increasing data set duration, due to the higher proportion of acoustic noise and lower overall call rates in longer recordings. However, the automated detector missed only one calling “bout ” (2 or more calls within a 10-minute span) of the 18 bouts present in the week-long recording. Despite the high number of false detections and missed
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».