用于自动昆虫识别的声音自适应表示

昆虫是我们生态系统中不可或缺的一部分。这些通常小巧且难以捕捉的动物对其周围环境有着重大影响，它们提供了现存生物多样性和授粉职责的很大一部分，构成了食物链以及许多生物和生态过程的基础。由于人类影响的因素，种群数量和生物多样性随时间迅速下降。监测这种下降对于有效实施保护措施已变得愈发重要。但监测方法往往具有侵入性、耗时耗力，且易受各种偏差影响。许多昆虫物种会产生特征性的求偶声音，可轻易以较低成本和精力检测并记录。利用深度学习方法，来自野外录音的昆虫声音可被自动检测与分类，以监测生物多样性和物种分布范围。在本项目中，我使用现有的昆虫声音数据集（直翅目和蝉科）及机器学习方法实现了这一点，并评估了它们在声音昆虫监测中的潜力。我将传统的基于谱图的深度学习方法与新的自适应基于波形的方法 LEAF 的性能进行了比较。基于波形的前端通过在训练中自适应其特征提取参数，取得了显著优于梅尔谱图前端的分类性能。这一结果对今后深度学习技术用于自动昆虫声音识别的实现是令人鼓舞的，尤其是在有更大数据集可用的情况下。