Auto deep learning for bioacoustic signals

要約

この研究では、従来の手動で設計されたディープ ラーニング モデルと比較して、鳥の鳴き声のマルチクラス分類の精度と効率を向上させる自動ディープ ラーニングの可能性を調査します。
西地中海の湿地の鳥のデータセットを使用して、ニューラル アーキテクチャの検索とハイパーパラメーターの調整を自動化するための自動機械学習フレームワークである AutoKeras の使用を調査しました。
比較分析により、AutoKeras 派生モデルが MobileNet、ResNet50、VGG16 などの従来のモデルよりも一貫して優れているという仮説が検証されました。
私たちのアプローチと調査結果は、生物音響研究とモデルを進歩させるための自動ディープラーニングの変革の可能性を強調しています。
実際、自動化技術により、手動の特徴量エンジニアリングやモデル設計の必要性がなくなり、パフォーマンスが向上します。
この研究では、この初期の分野での再現性を高めるためのサンプリング、評価、レポートのベスト プラクティスを明らかにします。
使用されているすべてのコードは、https://github.com/giuliotosato/AutoKeras-bioacustic から入手できます。
自動化された深層学習。
オーディオの分類。
湿地の鳥のデータセット。
比較解析;
生物音響;
検証データセット。
マルチクラス分類。
スペクトログラム。

要約(オリジナル)

This study investigates the potential of automated deep learning to enhance the accuracy and efficiency of multi-class classification of bird vocalizations, compared against traditional manually-designed deep learning models. Using the Western Mediterranean Wetland Birds dataset, we investigated the use of AutoKeras, an automated machine learning framework, to automate neural architecture search and hyperparameter tuning. Comparative analysis validates our hypothesis that the AutoKeras-derived model consistently outperforms traditional models like MobileNet, ResNet50 and VGG16. Our approach and findings underscore the transformative potential of automated deep learning for advancing bioacoustics research and models. In fact, the automated techniques eliminate the need for manual feature engineering and model design while improving performance. This study illuminates best practices in sampling, evaluation and reporting to enhance reproducibility in this nascent field. All the code used is available at https: //github.com/giuliotosato/AutoKeras-bioacustic Keywords: AutoKeras; automated deep learning; audio classification; Wetlands Bird dataset; comparative analysis; bioacoustics; validation dataset; multi-class classification; spectrograms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google