Low-SNR Northern Right Whale Upcall Detection and Classification Using Passive Acoustic Monitoring to Reduce Adverse Human–Whale Interactions
Notice bibliographique
Résumé
Marine mammal vocalizations, such as those of the Northern Right Whale (NARW), are often masked by underwater acoustic noise. The acoustic vocalization signals are characterized by features such as their amplitude, timing, modulation, duration, and spectral content, which cannot be robustly captured by a single feature extraction method. These complex signals pose additional detection challenges beyond their low SNR. Consequently, this study proposes a novel low-SNR NARW classifier for passive acoustic monitoring (PAM). This approach employs an ideal binary mask with a bidirectional long short-term memory highway network (IBM-BHN) to effectively detect and classify NARW upcalls in challenging conditions. To enhance model performance, the reported literature limitations were addressed by employing a hybrid feature extraction method and leveraging the BiLSTM to capture and learn temporal dependencies. Furthermore, the integration of a highway network improves information flow, enabling near-real-time classification and superior model performance. Experimental results show the IBM-BHN method outperformed five considered state-of-the-art baseline models. Specifically, the IBM-BHN achieved an accuracy of 98%, surpassing ResNet (94%), CNN (85%), LSTM (83%), ANN (82%), and SVM (67%). These findings highlight the practical potential of IBM-BHN to support near-real-time monitoring and inform evidence-based, adaptive policy enforcement critical for NARW conservation.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».