PulseAugur
中
实时 19:04:17
English(EN) Weakly Supervised Detection and Temporal Localization of Whale Calls in Long-Duration Bioacoustic Data

AI框架通过弱监督检测和定位鲸鱼叫声

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的弱监督多实例学习框架DSMIL-LocNet，用于分析长时程生物声学数据。该系统仅使用录音级别的标签，即可同时对鲸鱼叫声的存在进行分类并精确定位其在录音中的时域位置。与需要大量帧级别标注的传统方法不同，DSMIL-LocNet可以处理长达30分钟的录音，无需进行时间压缩，即可获得高F1分数，并提供手动时间戳否则无法实现的时域定位能力。 AI

影响 该框架可以显著减少生物声学数据分析所需的人工劳动，从而实现更高效、大规模的海洋生物学研究。

排序理由 该集群包含一篇详细介绍新型生物声学分析AI框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

AI框架通过弱监督检测和定位鲸鱼叫声

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Ragib Amin Nihal, Benjamin Yen, Runwu Shi, Takeshi Ashizawa, Kazuhiro Nakadai ·

    Weakly Supervised Detection and Temporal Localization of Whale Calls in Long-Duration Bioacoustic Data

    arXiv:2502.20838v3 Announce Type: replace-cross Abstract: Passive acoustic monitoring (PAM) systems generate continuous recordings spanning months, yet automated bioacoustic analysis of whale calls requires two separate annotation efforts: binary presence labels for classificatio…

相关话题