排除所有阈值：生物声学数据中叫声密度的直接估计

被动声学监测（PAM）研究产生数千小时的音频，可用于监测特定动物种群、进行广泛的生物多样性调查、检测偷猎者等威胁。机器学习分类器用于物种识别，越来越多地被用于处理生物声学调查产生的大量音频，加速分析并提高PAM作为管理工具的实用性。通常的做法是对分类器输出分数应用阈值，并将高于阈值的分数汇总为检测计数。阈值的选择会产生有偏差的发声计数，这些计数受到假阳性/假阴性率的影响，且这些比率可能随数据集子集而变化。在这项工作中，我们主张直接估计叫声密度：包含目标发声的检测窗口的比例，无论分类器分数如何。我们的方法针对一个理想的生态学估计量，并为识别由分布偏移（数据分布的定义特征发生变化时）引起的核心问题以及设计缓解策略提供了更严格的基础。我们提出了一种用于估计数据体中叫声密度的验证方案，并通过贝叶斯推理获得正类和负类置信度分数的概率分布。我们使用这些分布来预测可能受到分布偏移影响的场地级密度。我们在一个真实的夏威夷鸟类研究上测试了我们提出的方法，并提供了利用现有完全标注数据集的模拟结果，证明了对叫声密度和分类器模型质量变化的鲁棒性。