研究人员开发了一种智能被动声学监测系统，该系统将分类器直接嵌入AudioMoth微控制器，以现场分析声景。该系统利用优化的1D卷积神经网络，以91%的准确率对濒危海鸟Scopoli Shearwater的特定叫声进行分类。该模型专为满足微控制器的资源限制而设计，需要约10kB的RAM，并实现20毫秒的推理时间，从而提高了生物声学监测的效率和可扩展性。 AI
影响 这项工作有助于创建智能传感器，以实现更高效、可扩展的生物声学监测活动。
排序理由 这是一篇研究论文，详细介绍了1D CNN在生物声学监测方面的新颖应用。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
