重叠生物声学声音事件的鲁棒检测

我们提出了一种准确检测生物声学声音事件的方法，该方法对重叠事件具有鲁棒性，重叠事件是动物行为学、生态学和保护等领域中的常见问题。标准方法采用基于帧的多标签方法，而我们引入了一种基于起始点的检测方法，将其命名为 Voxaboxen。它从计算机视觉中的目标检测方法中汲取灵感，同时利用了自监督音频编码器的最新进展。对于每个时间窗口，Voxaboxen 预测其是否包含发声的开始以及发声持续多长时间。它还反向执行相同操作，预测每个窗口是否包含发声的结束以及发声开始于多久之前。然后使用图匹配算法融合生成的两组边界框。我们还发布了一个新数据集，旨在衡量检测重叠发声的性能。该数据集由带有时间强标签的斑胸草雀录音组成，并展示了频繁的重叠。我们在七个现有数据集和我们的新数据集上测试了 Voxaboxen。我们将 Voxaboxen 与自然基线和现有声音事件检测方法进行了比较，并展示了 SotA 结果。进一步的实验表明，改进对频繁的发声重叠具有鲁棒性。