ArcticSoundsNET: BirdNET embeddings facilitate improved bioacoustic classification of Arctic species
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In recent years, deep learning has become a popular solution for processing large ecological monitoring datasets. This rise in use has resulted in global classification models for a variety of data types and taxa, such as BirdNET, which classifies vocalizations of more than 6000 avian species from acoustic data. These global models can be useful pre-trained models for transfer learning, allowing researchers to more easily develop classifiers specialized to their datasets. However, the development of such models hinges on the availability of comprehensive, high-quality training data, which can be difficult to acquire, produce, and use. We present a novel pipeline for creating training data from a large and unlabeled dataset with minimal human oversight. We used this pipeline and BirdNET as our base model to develop a transfer-learning-based model, ArcticSoundsNET, using acoustic monitoring data from 205 sites across Alaska's Arctic Coastal Plain . We compared performance of ArcticSoundsNET with that of BirdNET to evaluate the effectiveness of our pipeline and success of the new model. We found that the ability of ArcticSoundsNET to detect and classify avian vocalizations in our data greatly exceeded that of BirdNET (AUC ROC = 0.888 for ArcticSoundsNET, AUC ROC = 0.593 for BirdNET). Importantly, our method for developing a training dataset is widely applicable for ecologists who do not have large amounts of labeled data, facilitating the creation of task-specific classification models. Developing such models is an essential step in using large acoustic datasets to support ecological conservation of critical species and habitats.
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.
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 | 0,000 |
| 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 découle