面向能源自治鸟类监测的神经网络压缩：探究目标类别对可压缩性的影响
机器学习
2026-02-23 v1 人工智能
摘要
生物多样性丧失对人类构成重大威胁，这使得野生动物监测对于评估生态系统健康状况至关重要。鸟类种类因其热门程度以及通过其独特鸣声轻于识别而成为理想的监测对象。传统的鸟类监测方法需要人工计数，因而成本高昂且效率低下。在被动声学监测中，记录长时间的声景。随后对录音进行分析以识别鸟类种类。机器学习方法在广泛的物种和环境中大大加快了这一过程，但现有解决方案需要复杂的模型和大量的计算资源。相反，我们提出在野外直接在廉价的微控制器单元（MCU）上运行机器学习模型。由于硬件和能源约束，需要高效的人工智能（AI）架构。本文提出了 MCU 上进行鸟类监测的方法。我们训练并压缩了用于各种目标类别的模型，以评估在边缘设备上检测多种鸟类种类的能力，并评估物种数量对神经网络可压缩性的影响。我们的结果显示，在保持最小性能损失的同时实现了显著的压缩率。我们还提供了不同硬件平台的基准测试结果，并评估了部署能源自治设备的可行性。
引用
@article{arxiv.2602.17751,
title = {Investigating Target Class Influence on Neural Network Compressibility for Energy-Autonomous Avian Monitoring},
author = {Nina Brolich and Simon Geis and Maximilian Kasper and Alexander Barnhill and Axel Plinge and Dominik Seuß},
journal= {arXiv preprint arXiv:2602.17751},
year = {2026}
}
备注
11 pages, 7 figures, Funding: GreenICT@FMD (BMFTR grant 16ME0491K)