Acoustics, balance, and chimpanzees – The ABCs of developing a deep learning-based automated acoustic detector for wild chimpanzee (Pan troglodytes) loud calls
Notice bibliographique
Résumé
1. Passive acoustic monitoring (PAM) is a powerful tool for wildlife monitoring, but the time and expertise required to process large volumes of data pose significant challenges. Automated acoustic detectors improve efficiency by speeding up data processing. Class imbalance, resulting from fewer target signals relative to noise, complicates development and can negatively impact performance. However, training datasets should also reflect the conditions of real-world PAM datasets. 2. We developed an automated acoustic detector for chimpanzee loud calls while addressing class imbalance. We predicted that greater data diversity and high-quality data (clear signals, minimal noise interference) would enhance network performance and that class imbalance, by supporting diversity, is essential for functionality. We built training datasets with data recorded in wild settings and applied a temporal convolutional neural network approach using Deep Audio Segmenter (DAS). We trained networks using datasets containing varying levels of noise (50%, 75%, 90%, 99%) and also tested the effectiveness of frequency removal in improving performance. 3. The network performances varied significantly, with F1 scores of 0.44 to 0.86, exceeding a previous study (5% F1). The most imbalanced dataset produced the best performing network, capturing 90% of pant-hoot events and annotating them with 90% (SD = 20.9) accuracy. The results showed that increased class size was associated with greater intraclass diversity and improved precision (0.41–0.83). The networks showed consistently high recall rates, especially when frequency removal was not applied (0.89–0.92). 4. This study stresses the importance of class size and diversity in developing automated acoustic detectors. It also highlights the value of high-quality data for accurate pattern recognition of the target signal and the importance of the noise class for effective class decoupling and detector functionality. This research supports the advancement of PAM in chimpanzee studies, opening new opportunities to integrate remote sensing for efficient wildlife monitoring.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».