文献

J-GLOBAL ID：202202239055253958   整理番号：22A1028606

繰り返し訓練,検出,およびラベリングにより小データから構築した畳込みニューラルネットワーク鳥類種認識器【JST・京大機械翻訳】

A Convolutional Neural Network Bird Species Recognizer Built From Little Data by Iteratively Training, Detecting, and Labeling

著者 (5件)： Eichinski Philip (Faculty of Science, School of Computer Science, Queensland University of Technology, Brisbane, QLD, Australia) ,  Alexander Callan (Faculty of Science, School of Biology and Environmental Sciences, Queensland University of Technology, Brisbane, QLD, Australia) ,  Roe Paul (Faculty of Science, School of Computer Science, Queensland University of Technology, Brisbane, QLD, Australia) ,  Parsons Stuart (Faculty of Science, School of Biology and Environmental Sciences, Queensland University of Technology, Brisbane, QLD, Australia) ,  Fuller Susan (Faculty of Science, School of Biology and Environmental Sciences, Queensland University of Technology, Brisbane, QLD, Australia)
資料名： Frontiers in Ecology and Evolution (Web)  (Frontiers in Ecology and Evolution (Web))
巻： 10  ページ： 810330  発行年： 2022年 
JST資料番号： U7067A  ISSN： 2296-701X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： オーディオ記録における関心種の呼び出しの自動検出は,一般的であるが,しばしば,エコ音響学における困難な運動である。この課題は,通常,訓練データの豊富な集合を必要とする深いニューラルネットワークで取り組まれている。しばしば,利用可能な訓練データは研究地域と同じ地理的地域ではなく,重要な違いを含む可能性がある。訓練と配置データセットにおけるこの不整合は,主に,偽の正値を生成する訓練データから欠如する音と呼び出し型におけるいくつかの変化のために,展開における精度に影響を与えることができる。7つの標的鳥種に対する多クラス畳み込みニューラルネットワーク分類器を開発し,ワタ成長地域におけるこれらの種の存在不在を追跡した。ワタ地域からの訓練データなしで始めたが,他の場所から呼び出しの不均衡なライブラリーがあった。綿地域からの記録における呼び出しの相対的不足のため,手動走査と記録のラベリングは,禁止的に時間がかかる。本論文では,このデータ不整合を克服するプロセスを記述し,ほとんどのクラスに対してワタ記録上で良好に機能する認識器を開発した。認識者を,ワタ地域の外からの記録で訓練し,次にラベルなしワタ記録に適用した。得られた出力に基づいて,検証セットを手動で標識し,訓練セットに組み込んだ。このプロセスを反復することによって,綿のオーディオ例の訓練セットを徐々に構築することができた。このプロセスを通して,著者らは,最初の反復における0.45から0.74までの目標記録に関する認識者の平均クラスF1スコア(精度の調和平均と再現率)を増加できた。Copyright 2022 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 音響学 ,  データ ,  分類 ,  音響 ,  *ニューラルネットワーク ,  精度 ,  記録 ,  認識 ,  オーディオ機器 ,  不整合 ,  生物多様性 ,  機械学習
準シソーラス用語： 訓練データ ,  調和平均 ,  深層学習 ,  *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (6件)： 鳥類モニタリング ,  エコ音響学 ,  深層学習 ,  生物多様性 ,  種認識 ,  アクティブ学習

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

引用文献 (27件)：

• Acevedo M. A., Villanueva-Rivera L. J. (2006). From the field: using automated digital recording systems as effective tools for the monitoring of birds and amphibians. Wildlife Soc. Bull. 34 211-214.
• Both C., Van Turnhout C. A. M., Bijlsma R. G., Siepel H., Van Strien A. J., Foppen R. P. B. (2010). Avian population consequences of climate change are most severe for long-distance migrants in seasonal habitats. Proc. R. Soc. B Biol. Sci. 277 1259-1266. doi: 10.1098/rspb.2009.1525
• Cohn D., Atlas L., Ladner R. (1994). Improving generalization with active learning. Mach. Learn. 15 201-221. doi: 10.1098/rspb.2009.1525
• Dockès J., Varoquaux G., Poline J.-B. (2021). Preventing dataset shift from breaking machine-learning biomarkers. Gigascience 10:giab055. doi: 10.1093/gigascience/giab055
• Garcia K., Olimpi E. M., Karp D. S., Gonthier D. J. (2020). The good, the bad, and the risky: can birds be incorporated as biological control agents into integrated pest management programs? J. Integ. Pest Manag. 11:11. doi: 10.1093/jipm/pmaa009

タイトルに関連する用語 (5件)： 訓練 ,  ラベリング ,  構築 ,  畳込みニューラルネットワーク ,  鳥類