Deep Learning for Ethoacoustics of Oreas on three years pentaphonie continuous recording at Orealab revealing tide, moon and diel effects
Notice bibliographique
Résumé
One of the best ways of studying animals that produce signals in underwater environments is to use passive acoustic monitoring (PAM). Acoustic monitoring is used to study marine mammals in oceans, and gives us information for understanding cetacean life, such as their behaviour, movement or reproduction. Automated analysis for captured sound is almost essential because of the large quantity of data. A deep learning approach was chosen for this task, since it has proven great efficiency for answering such problematics. This study focused on the orcas (Orcinus orca) of northern Vancouver Island, Canada, in collaboration with the NGO Orcalab which developed a multi-hydrophone recording station around Hanson Island to study orcas. The acoustic station is composed of 5 hydrophones and extends over 50 km <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> of ocean. Since 2016 we are continuously streaming the hydrophone signals to our laboratory at Toulon, France, yielding nearly 50 TB of synchronous multichannel recordings. The objective for this research is to do a preliminary analysis of the collected data and demonstrate influence of environmental factors (tidal, moon phase and daily period) on the orcas' acoustic activities.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».