利用对比学习与分布对齐学习用于蚊子物种分类的领域鲁棒生物声学表示
音频与语音处理
2025-10-02 v1 声音
摘要
蚊子物种分类（MSC）对媒介监测和疾病控制至关重要。蚊子生物声学数据的采集往往受限于蚊子的活动季节和野外工作。不同地区、栖息地和实验室的蚊子录音通常表现出由录音环境引起的非生物学变异，我们将其称为领域特征。本研究发现，直接在带有领域特征的音频录音上训练的模型往往依赖领域信息，而不是物种的声学线索进行识别，导致表面性能良好，但实际上跨领域泛化能力较差。为此，我们提出了一种结合对比学习与分布对齐的领域鲁棒生物声学学习（DR-BioL）框架。对比学习旨在促进同一物种内的内聚性并减轻领域间差异，而物种条件分布对齐进一步增强了跨领域物种表示。在来自不同环境的多领域蚊子生物声学数据集上的实验表明，DR-BioL 提高了基线的准确性和鲁棒性，突显了其在现实世界中进行可靠跨领域 MSC 的潜力。
引用
@article{arxiv.2510.00346,
title = {Learning Domain-Robust Bioacoustic Representations for Mosquito Species Classification with Contrastive Learning and Distribution Alignment},
author = {Yuanbo Hou and Zhaoyi Liu and Xin Shen and Stephen Roberts},
journal= {arXiv preprint arXiv:2510.00346},
year = {2025}
}