长时生物声学数据中鲸叫声的弱监督检测与时序定位
声音
2026-05-29 v3 人工智能
机器学习
音频与语音处理
摘要
被动声学监测（PAM）系统生成跨越数月的连续录音，然而鲸叫声的自动化生物声学分析需要两项独立的标注工作：用于分类的二元存在标签和用于定位的精确时间边界。为一段数分钟的录音分配二元标签只需几秒钟，但为其中的每一次叫声打上时间戳却需要数小时的专家工作。在操作规模上同时提供两者是不可行的。我们提出了 DSMIL-LocNet，这是一个弱监督多示例学习（MIL）框架，仅使用录音级别的存在/缺失标签即可同时执行分类和时序定位。我们的双流架构整合了频谱和时序特征，能够处理 2 至 30 分钟的录音，且不会出现导致现有 CNN 方法在长输入上性能下降的时序压缩。在 AcousticTrends BlueFinLibrary 上，DSMIL-LocNet 在 300 至 1800 秒的录音上取得了 0.88 至 0.91 的 F1 分数，而全监督 CNN 基线在这些录音上下降至 0.19 至 0.64。它还提供了这些基线在没有帧级标注的情况下无法生成的时序定位。代码：https://github.com/Ragib-Amin-Nihal/DSMIL-Loc
引用
@article{arxiv.2502.20838,
title = {Weakly Supervised Detection and Temporal Localization of Whale Calls in Long-Duration Bioacoustic Data},
author = {Ragib Amin Nihal and Benjamin Yen and Runwu Shi and Takeshi Ashizawa and Kazuhiro Nakadai},
journal= {arXiv preprint arXiv:2502.20838},
year = {2026}
}
备注
Accepted in European Signal Processing Conference (EUSIPCO) 2026