Improving Primate Sounds Classification using Binary Presorting for Deep Learning

要約

野生動物の観察と保護の分野では、音声録音の機械学習を伴うアプローチがますます人気になってきています。
残念ながら、この研究分野で利用可能なデータセットは、最適な学習教材ではないことがよくあります。
サンプルは弱く標識されていたり、長さが異なっていたり、信号対雑音比が低い場合があります。
この研究では、実際のマルチクラス分類タスクでより高いパフォーマンスを達成するために、最初に MEL スペクトログラム表現のサブセグメントのラベルを付け直す一般化されたアプローチを導入します。
バイナリの事前並べ替えと分類の両方に、畳み込みニューラル ネットワーク (CNN) とさまざまなデータ拡張技術を利用します。
私たちは、異なる霊長類種の音を分類するタスクを伴う、挑戦的な \textit{ComparE 2021} データセットに対するこのアプローチの結果を紹介し、比較的装備されたモデルのベースラインと比較して、大幅に高い精度と UAR スコアを報告します。

要約(オリジナル)

In the field of wildlife observation and conservation, approaches involving machine learning on audio recordings are becoming increasingly popular. Unfortunately, available datasets from this field of research are often not optimal learning material; Samples can be weakly labeled, of different lengths or come with a poor signal-to-noise ratio. In this work, we introduce a generalized approach that first relabels subsegments of MEL spectrogram representations, to achieve higher performances on the actual multi-class classification tasks. For both the binary pre-sorting and the classification, we make use of convolutional neural networks (CNN) and various data-augmentation techniques. We showcase the results of this approach on the challenging \textit{ComparE 2021} dataset, with the task of classifying between different primate species sounds, and report significantly higher Accuracy and UAR scores in contrast to comparatively equipped model baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google