基于Transformer网络的蝙蝠叫声自动分类
计算机视觉与模式识别
2023-09-21 v1 声音
音频与语音处理
摘要
从蝙蝠的回声定位叫声中自动识别蝙蝠物种是一项困难但重要的任务，可用于监测蝙蝠及其所处的生态系统。自动蝙蝠叫声识别的主要挑战包括叫声的高变异性、物种间的相似性、相互干扰的叫声以及标注数据的缺乏。许多现有模型由于在单叫声数据集上训练，在真实数据上性能相对较差，而且通常速度太慢而无法实时分类。在此，我们提出一种用于多标签分类的Transformer架构，具有在实时分类场景中的潜在应用。我们的模型在合成生成的多物种录音上进行训练，方法是将多个蝙蝠叫声合并为包含多个同时叫声的单一录音。我们的方法在测试集上实现了88.92%的单物种准确率（F1分数为84.23%）和多物种宏F1分数74.40%。在与独立且公开可用的数据集ChiroVox上的其他三种工具相比时，我们的模型在单物种分类上准确率至少高出25.82%，在多物种分类上宏F1分数至少高出6.9%。
引用
@article{arxiv.2309.11218,
title = {Automatic Bat Call Classification using Transformer Networks},
author = {Frank Fundel and Daniel A. Braun and Sebastian Gottwald},
journal= {arXiv preprint arXiv:2309.11218},
year = {2023}
}
备注
Volume 78, December 2023, 102288