珊瑚礁生物声学信号的深度嵌入聚类
机器学习
2021-04-14 v2 声音
音频与语音处理
摘要
将深度聚类应用于珊瑚礁声景中未标注的自动检测信号，以区分鱼脉冲叫声与鲸歌片段。深度嵌入聚类（DEC）利用信号的固定长度功率谱图学习潜在特征并形成分类簇。同时提取手工选取的频谱与时域特征，并使用高斯混合模型（GMM）与传统聚类方法进行聚类。在具有随机带宽、时长和信噪比的鱼脉冲叫声（fish）与鲸歌单元（whale）模拟数据集上测试了 DEC、GMM 与传统聚类方法。GMM 与 DEC 均取得了高准确率，并识别出包含鱼信号、鲸信号以及鱼鲸重叠信号的簇。在传统聚类方法中，当簇大小不等或信号重叠时准确率较低。对 2020 年 2—3 月夏威夷附近记录的鱼与鲸信号，采用 DEC、GMM 与传统聚类进行聚类。在用于将上述信号分类为鱼簇与鲸簇的小型人工标注数据集上，DEC 特征取得了 77.5% 的最高准确率。
引用
@article{arxiv.2012.09982,
title = {Deep embedded clustering of coral reef bioacoustics},
author = {Emma Ozanich and Aaron Thode and Peter Gerstoft and Lauren A. Freeman and Simon Freeman},
journal= {arXiv preprint arXiv:2012.09982},
year = {2021}
}
备注
to appear in Journal of the Acoustical Society of America, April 2021