Bioacoustics for North Atlantic Right Whale Detection Based on Deep Learning
Notice bibliographique
Résumé
Climate change, pollution, shipping lanes and other man-made factors are significantly impacting the biodiversity of our planet. Whales represent some of the most endangered animals of our time with some species, such as the North Atlantic right whales, have fewer than 400 individuals left. These large mammals play a crucial role in maintaining the health of our planet due to their various attributes, such as their carbon sequestration abilities. Detecting, classifying and tracking these whales can provide us with tools for their management. Passive acoustic monitoring allows researchers to identify whales through audio recordings based on their unique sounds. We propose detecting North Atlantic right whales using passive acoustic monitoring audio clips. Our data consists of whale upcalls collected in the Gulf of St. Lawrence and the Gulf of Maine. In our work, we compare various audio visualization transformations such as the wavelet transformation, Short-Time Fourier Transform and a custom algorithm. Using the visualized audio, our goal is to use various deep learning algorithms to detect whales. We employed multiple pre-trained convolutional neural network algorithms, including DenseNetl21, EfficientNetB7 and Xception. the wavelet transformation achieved the best overall results with a validation accuracy of 90% on most detection algorithms. Specifically, DenseNet169 combined with the wavelet transformation achieved the highest accuracy of 90.39%. Using ensemble learning on the best performing algorithms, we increased the accuracy of our approach to 91.86 %. Overall, our results demonstrate the strong potential of using audio visualization with deep learning algorithms to detect North Atlantic right whales. Further work in this field, such as exploring more algorithms, could further enhance the effectiveness of our approach.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».