Evaluation of a Deep Learning-Based Algorithmic Pipeline for Real-Time Onboard Removal of Glider Self-Noise from Passive Acoustic Data
Notice bibliographique
Résumé
Gliders are autonomous underwater vehicles that move by changing their buoyancy and center of gravity, making them a relatively quiet and thus attractive platform for collecting passive acoustic data for many applications, including soundscape/fisheries management, real-time monitoring of endangered whales, and acoustic propagation modeling/validation. Hydrophones can be integrated into the glider for automated analysis and identification from a purpose-built library, but broadband self-noise from internally-moving motors and components must be removed to enhance precise signal processing for targets of interest. Passive acoustic data from two 2024 right whale monitoring missions in shallow coastal waters of the Georgia/Florida calving grounds were used with glider engineering data to develop signal processors and train deep learning algorithms to identify and remove glider self-noise. Additional sampling and data augmentation techniques were integrated to enhance the classification performance of minorities. Based on comparative evaluation, ResNet50 outperformed all other deep learning image classifiers (e.g., EfficientNet, VGG) and was selected as the base deep learning model for selfnoise classification. All models generally performed poorly for all balancing techniques used for classifying the self-noises from the ballast pump, pitch motor, and air pump, likely due to the small minority amount in the baseline training dataset. Results also suggest that oversampling by a large percent increase causes model performance to decrease. The paper highlighted the innovative deep learning framework for onboard glider self-noise removal, which can further reduce false positive detection and enhance whale sound recognition from passive acoustic data.
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 | 0,001 | 0,003 |
| 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 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».