利用神经网络的蚊子检测：深度学习的嗡鸣
机器学习
2017-05-16 v1 声音
应用统计
摘要
许多现实世界的时间序列分析问题以数据稀缺为特征。解决方案通常依赖于从时域或频域提取的手工特征，并结合以此（通常为低维）特征向量为条件的分类或回归引擎。近年来许多应用领域享有的巨大进步是由在大型数据集上训练的深学习架构所推动。本文提出了深度学习在一个具有挑战性、数据稀缺的现实问题中的声学事件检测应用。我们的候选挑战是从蚊子的声学特征中精确检测其存在。我们开发了在音频记录的小波变换上运行的卷积神经网络（CNNs）。此外，我们通过可视化网络兴奋样本的统计信息来探究网络的预测能力。这些可视化深入揭示了检测问题中各组成部分的相对信息量。我们包含了与常规分类器的比较，这些分类器以手工调谐和通用特征为条件，以强调自动深度特征学习的优势。检测所取得的性能指标显著超越现有算法方法，并略微超过单个人类专家所达到的指标。
引用
@article{arxiv.1705.05180,
title = {Mosquito Detection with Neural Networks: The Buzz of Deep Learning},
author = {Ivan Kiskin and Bernardo Pérez Orozco and Theo Windebank and Davide Zilli and Marianne Sinka and Kathy Willis and Stephen Roberts},
journal= {arXiv preprint arXiv:1705.05180},
year = {2017}
}
备注
For data and software related to this paper, see http://humbug.ac.uk/kiskin2017/. Submitted as a conference paper to ECML 2017