Enhancing marine mammal species classification: A feature fusion approach for whistle calls
Notice bibliographique
Résumé
Whistles are transient, narrowband calls of marine mammals. This transience makes using whistles for species classification challenging. The literature uses spectral features to classify whistle calls across species (e.g., common dolphin within the dolphin genus). Spectral features are limited as they may not capture nuanced temporal (e.g., zero-crossing rates) information for species classification. Toward inter-species classification, separate classifiers for individual species demand considerable effort in data collection, annotation, model training, and computation resources. To address the gap in the spectral features’ representation and intra-species classification, a novel classification model—Temporal, Spectral, and Cepstral (TSC)—BiLSTM, was investigated. This model uses feature-level fusion strategy to integrate hybrid TSC features to capture rich and complementary whistle information not evident in temporal, spectral, or cepstral features alone. The BiLSTM network then learns these fused TSC whistle representations to classify calls from beluga, dolphins, narwhal, killer, and pilot whales. The results show the proposed TSC-BiLSTM model outperforms three baseline methods (e.g., ANN (F1-score = 64%), CNN (F1-score = 74%), and LSTM (F1-score = 84%), achieving 90% accuracy, 89% precision, 87% recall, and 88% F1-score. These findings suggest TSC-BiLSTM is a valuable tool to classify species based on passive acoustic marine mammal whistle measurements. JASCO Applied Sciences is a sponsor of this work.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,001 |
| 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 ».