在低功耗生物声学记录器上实现多物种鸟类分类
声音
2025-09-25 v1 计算工程、金融与科学
摘要
本文介绍了WrenNet，一种高效的神经网络，能够在低功耗微控制器上实现实时的多物种鸟类音频分类，用于可扩展的生物多样性监测。我们提出了一种半可学习的频谱特征提取器，能够适应鸟类发声，性能优于标准的梅尔尺度特征和全可学习替代方案。在一个专家整理的70物种数据集上，WrenNet对声学特征明显的物种实现了高达90.8%的准确率，在完整任务上实现了70.1%的准确率。当部署在AudioMoth设备（≤1MB RAM）上时，每次推理仅消耗77mJ能量。此外，与在Raspberry Pi 3B+上运行的Birdnet相比，所提出的模型能效提高了16倍以上。这项工作展示了在低功耗边缘设备上进行连续、多物种声学监测的首个实用框架。
引用
@article{arxiv.2509.20103,
title = {Enabling Multi-Species Bird Classification on Low-Power Bioacoustic Loggers},
author = {Stefano Ciapponi and Leonardo Mannini and Jarek Scanferla and Matteo Anderle and Elisabetta Farella},
journal= {arXiv preprint arXiv:2509.20103},
year = {2025}
}