深度神经网络检测北大西洋露脊鲸上鸣叫声的性能

被动声学为监测濒危的北大西洋露脊鲸（$Eubalaena$ $glacialis$）提供了有力工具，但需要鲁棒的检测算法来处理多样且多变的声学条件以及录音技术与设备的差异。在此，我们研究深度神经网络解决这一需求的潜力。ResNet 这一常用于图像识别的架构被训练来识别北大西洋露脊鲸特征性上鸣叫声的时频表示。该网络使用 2018 和 2019 年圣劳伦斯湾不同地点以不同设备和布放技术录制的几千个样本进行训练。作为检测算法用于 2015–2017 年五十段各 30 分钟的录音（含一千多次上鸣叫声）时，该网络召回率高达 80%，同时保持 90% 的精确率。重要的是，随着训练数据集中方差的增加，网络性能提升，而使用传统线性判别分析方法则观察到相反趋势。我们的工作表明，深度神经网络可被训练用于在多样且多变的条件下识别北大西洋露脊鲸上鸣叫声，其性能优于现有算法。