TinyChirp：基于低功耗无线声学传感器上TinyML模型的鸟类鸣声识别
机器学习
2024-09-12 v2 人工智能
声音
音频与语音处理
信号处理
摘要
大规模监测生物多样性具有挑战性。在细粒度分类群中检测和识别物种需要高精度的机器学习（ML）方法。训练此类模型需要大量高质量数据集。而将这些模型部署到低功耗设备上则需要新颖的压缩技术和模型架构。尽管物种分类方法已受益于新颖数据集和机器学习方法的进展，特别是神经网络，但将这些最先进模型部署到低功耗设备上仍然困难。在此，我们对各种tinyML神经网络架构和压缩技术进行了全面的实证比较，用于物种分类。我们以鸟类鸣声检测为例，更具体地说是针对研究玉米鹀鸟类物种的数据集。该数据集与本文的所有代码和实验一并发布。在实验中，我们比较了基于经典频谱图的方法和基于原始音频信号的最新方法在预测性能、内存和时间复杂度方面的表现。结果表明，相对简单的架构即可稳健地检测个体鸟类物种，并且可以轻松部署到低功耗设备上。
引用
@article{arxiv.2407.21453,
title = {TinyChirp: Bird Song Recognition Using TinyML Models on Low-power Wireless Acoustic Sensors},
author = {Zhaolan Huang and Adrien Tousnakhoff and Polina Kozyr and Roman Rehausen and Felix Bießmann and Robert Lachlan and Cedric Adjih and Emmanuel Baccelli},
journal= {arXiv preprint arXiv:2407.21453},
year = {2024}
}