用于自动昆虫识别的声音自适应表征

昆虫种群数量与生物多样性随时间迅速下降，监测这些趋势对于有效实施保护措施已愈发重要。但监测方法常具侵入性、耗时耗力且易生各类偏差。许多昆虫物种产生特征性声音，可低成本、低代价地轻易探测与记录。利用深度学习方法，可自动检测并分类野外录音中的昆虫声音，以监测生物多样性与物种分布范围。我们使用近期发布的昆虫声音数据集（直翅目与蝉科）及机器学习方法实现此目标，并评估其在声音昆虫监测中的潜力。我们将传统的基于谱图的音频表征与 LEAF（一种自适应、基于波形的前端）的性能进行比较。LEAF 通过在训练中自适应其特征提取参数，取得了优于梅尔谱图前端的分类性能。该结果对今后深度学习技术用于自动昆虫声音识别的应用令人鼓舞，尤其在更大数据集可用时。