面向生物声学信号的自动深度学习
机器学习
2023-12-27 v2 人工智能
声音
音频与语音处理
摘要
本研究探讨了自动深度学习相比传统手工设计深度学习模型，在提升鸟类鸣声多类分类准确性与效率方面的潜力。使用西地中海湿地鸟类数据集，我们探究了利用 AutoKeras（一种自动化机器学习框架）来自动化神经架构搜索与超参数调优。对比分析验证了我们的假设：AutoKeras 衍生的模型持续优于 MobileNet、ResNet50 与 VGG16 等传统模型。我们的方法与发现凸显了自动深度学习在推动生物声学研究与模型方面的变革潜力。事实上，自动化技术在提升性能的同时消除了对手工特征工程与模型设计的需求。本研究阐明了在采样、评估与报告方面的最佳实践，以增强这一新兴领域的可复现性。所用全部代码见 https://github.com/giuliotosato/AutoKeras-bioacustic。关键词：AutoKeras；自动化深度学习；音频分类；湿地鸟类数据集；对比分析；生物声学；验证数据集；多类分类；频谱图。
引用
@article{arxiv.2311.04945,
title = {Auto deep learning for bioacoustic signals},
author = {Giulio Tosato and Abdelrahman Shehata and Joshua Janssen and Kees Kamp and Pramatya Jati and Dan Stowell},
journal= {arXiv preprint arXiv:2311.04945},
year = {2023}
}