第四阶段：利用深度学习方法进行陆基或船基海洋哺乳动物实时识别与定位的DCL系统——分布式处理与大数据应用
分布式、并行与集群计算
2016-05-06 v2
摘要
尽管整个动物生物声学社区正以前所未有的速度收集海量声学数据，但处理这些数据仍存在问题。目前，在生物声学领域，尚无有效方法利用商用现货（COTS）或政府现货（GOTS）工具实现高性能计算。尽管开源和商业软件社区已取得若干进展，但这些产品要么支持无法与生物声学数据格式良好集成的特定应用，要么过于通用。此外，使用深度学习策略的复杂算法需要特殊考虑，例如需要非常大的样本库（鲸鱼声音）随时可用于算法训练和测试。被动声学的检测-分类是一种数据挖掘策略，我们的目标与数据挖掘和机器学习通用社区的最佳实践一致，在这些社区中，处理大数据的问题是共通的。因此，本工作的目标是推进针对生物声学的大型被动声学数据集进行数据挖掘的最新技术。认识到这一基本缺陷后，拨款的一部分专门用于通过旨在吸引深度学习解决方案的国际竞赛（kaggle.com）来促进深度学习。这项早期工作的重点是在2012年至2015年的拨款期间，在解决大数据系统和先进算法方面取得重大进展。这项早期工作在系统-算法研究方面取得了同步进展，同时支持了各种合作与项目。
引用
@article{arxiv.1605.00982,
title = {Phase 4: DCL System Using Deep Learning Approaches for Land-Based or Ship-Based Real-Time Recognition and Localization of Marine Mammals - Distributed Processing and Big Data Applications},
author = {Peter J. Dugan and Christopher W. Clark and Yann André LeCun and Sofie M. Van Parijs},
journal= {arXiv preprint arXiv:1605.00982},
year = {2016}
}
备注
National Oceanic Partnership Program (NOPP) sponsored by ONR and NFWF