用于少样本鸟鸣分类的自监督学习
声音
2024-02-12 v4 机器学习
音频与语音处理
摘要
音频中的自监督学习（SSL）在各个领域具有巨大潜力，特别是在大量未标记数据免费可用的情况下。这在生物声学中尤为重要，生物学家通常从自然环境中收集大量声音数据集。在本研究中，我们证明SSL能够从音频记录中获取有意义的鸟鸣表示，而无需标注。我们的实验表明，这些学习到的表示在少样本学习（FSL）场景中具有泛化到新鸟种的能力。此外，我们展示了使用预训练音频神经网络选择具有高鸟鸣激活的窗口进行自监督学习，显著提高了学习表示的质量。
引用
@article{arxiv.2312.15824,
title = {Self-Supervised Learning for Few-Shot Bird Sound Classification},
author = {Ilyass Moummad and Romain Serizel and Nicolas Farrugia},
journal= {arXiv preprint arXiv:2312.15824},
year = {2024}
}