聚类与新型类别识别：评估生物声学深度学习特征提取器
机器学习
2025-04-10 v1
摘要
在计算生物声学中，深度学习模型由特征提取器和分类器组成。特征提取器生成输入声段的向量表示，称为嵌入向量，可输入分类器。虽然对分类得分进行基准测试提供了特定性能统计信息，但仅限于包含在模型训练数据中的物种。此外，这使得无法比较在不同分类学群体上训练的模型。本文旨在通过分析15个生物声学模型（涵盖广泛的配置：模型架构、训练数据、训练范式）所生成的嵌入向量来解决这一差距。我们评估并比较了不同方法如何构建嵌入空间，通过聚类和k近邻分类，这允许我们将比较重点放在独立于分类器的特征提取器上。我们认为，这种方法使我们能够评估模型在其训练的类别之外的可适应性和泛化潜力。
引用
@article{arxiv.2504.06710,
title = {Clustering and novel class recognition: evaluating bioacoustic deep learning feature extractors},
author = {Vincent S. Kather and Burooj Ghani and Dan Stowell},
journal= {arXiv preprint arXiv:2504.06710},
year = {2025}
}
备注
conference