面向生物声学声音事件检测的混合分歧-多样性主动学习
声音
2025-05-30 v2 人工智能
机器学习
音频与语音处理
摘要
生物声学声音事件检测对生物多样性保护至关重要，但在模型开发和训练过程中面临实际挑战：标注数据量有限、事件稀疏、物种多样性以及类别不平衡。为了在有限的标注预算内高效应对这些挑战，我们应用了不匹配优先最远遍历（MFFT），这是一种结合了委员会投票分歧和多样性分析的主动学习方法。我们还专门为评估主动学习算法改进了一个现有的BioSED数据集。实验结果表明，MFFT在冷启动时达到了68%的mAP，在热启动时达到了71%（接近75%的全监督mAP），而仅使用了2.3%的标注量。值得注意的是，MFFT在冷启动场景和稀有物种上表现优异，这对于监测濒危物种至关重要，证明了其实用价值。
引用
@article{arxiv.2505.20956,
title = {Hybrid Disagreement-Diversity Active Learning for Bioacoustic Sound Event Detection},
author = {Shiqi Zhang and Tuomas Virtanen},
journal= {arXiv preprint arXiv:2505.20956},
year = {2025}
}
备注
5 pages, 1 figure, accepted by EUSIPCO 2025 v2: add our github repo