第二阶段：基于深度学习的陆基或船基海洋哺乳动物实时识别与定位系统——机器学习检测算法
计算机视觉与模式识别
2016-05-06 v2
摘要
本工作的总体目标是推动生物声学领域检测、分类与定位（DCL）的技术前沿。这一目标主要通过构建一个快速、高效且可扩展的通用检测-分类（DC）框架来实现，并在多种低频和中频鲸类声音上展示该系统的能力。两个主要目标是开发可迁移的检测与分类技术，其一：在先进算法领域，如深度学习及其他方法；其二：在先进系统领域，能够进行实时和存档处理。对于每个关键领域，我们将专注于发表相关成果，并在可能时向社区提供工具和软件。目前，各类机构、企业和国防部门正在收集海量的声学数据。长期目标是提供基于机器智能的自动检测与分类算法来分析这些数据的技术能力。自动化的目标是提供有效且高效的机制来处理大型声学数据集，以理解海洋哺乳动物的生物声学行为。这一能力将有助于洞察人为海洋声音的潜在生态影响与作用。本工作聚焦于基于DARPA 6.1和6.2流程的成熟度模型来构建技术，分别对应基础研究和应用研究。
引用
@article{arxiv.1605.00972,
title = {Phase 2: DCL System Using Deep Learning Approaches for Land-based or Ship-based Real-Time Recognition and Localization of Marine Mammals - Machine Learning Detection Algorithms},
author = {Peter J. Dugan and Christopher W. Clark and Yann André LeCun and Sofie M. Van Parijs},
journal= {arXiv preprint arXiv:1605.00972},
year = {2016}
}
备注
National Oceanic Partnership Program (NOPP) sponsored by ONR and NFWF: N000141210585