Perch 2.0
PulseAugur coverage of Perch 2.0 — every cluster mentioning Perch 2.0 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新定律简化了 AI 生物声学分类的域对齐
一篇新研究论文发表在 arXiv 上，提出了一种用于冻结嵌入式生物声学分类的域对齐的强度单调定律。该研究专注于跨域蚊子物种分类，发现编码器在给定任务上越强大，其跨域泛化越依赖于分布对齐项，并受到域重平衡采样的损害。该定律提出了一种简化的有效分类方法，包括冻结的 Perch 2.0 嵌入、一个轻量级探针、交叉熵、一个 MMD 项和输入增强，其性能与更复杂的方法相当。
-
新AI系统高效监测和分类虎鲸发声
研究人员开发了一种新颖的两阶段级联系统，用于虎鲸的被动声学监测。该系统首先检测虎鲸发声，然后将其分类为五种不同的生态型，对模糊的叫声则不予分类。所提出的方法在DCLDE 2027数据集上取得了高性能，优于现有方法，并显著改善了对稀有生态型的识别。该系统还可以适应新的声学环境，如其成功适应华盛顿州普吉特湾声学环境所示。其效率使得在NVIDIA H100硬件上实现超实时推理成为可能，适合保护应用。
-
在鸟鸣声上训练的AI模型能以高精度对大象叫声进行分类
研究人员已经证明，预先训练好的声学嵌入模型可以在无需微调的情况下有效分类大象的发声。鉴于标注过的生物声学数据的稀缺性和高成本，这种方法尤其有价值，因为传统监督方法常常会导致过拟合。该研究评估了各种嵌入模型，其中Perch 2.0表现最佳，对非洲象和亚洲象的叫声都显示出很高的分类准确率。值得注意的是，来自transformer编码器（如wav2vec2.0和HuBERT）的中间表示被证明信息量很大，这表明了在设备上进行高效处理的潜力。
-
Google 的 Perch 2.0 AI 模型通过鸟类训练在识别鲸鱼叫声方面表现出色
Google DeepMind 开发了 Perch 2.0，一个最初在数百万条鸟类录音上训练的 AI 音频模型，该模型在识别鲸鱼叫声方面表现出惊人的有效性。研究人员利用迁移学习，将模型从鸟类叫声中获得的知识应用于水下声音，从而节省了计算资源。事实证明，这种方法具有很强的竞争力，在与专门的鲸鱼生物声学模型和其他动物声音分类器进行评估时，其表现为最佳或第二佳模型。
-
Google 的 Perch 2.0 AI 模型在鲸鱼发声分析方面表现出色
Google DeepMind 开发了 Perch 2.0，这是一个最初在陆地动物发声方面进行训练的生物声学基础模型，该模型在水下声学分析方面表现出惊人的有效性。该模型在 NeurIPS 2025 上发表的一篇论文中进行了详细介绍，可用于迁移学习，以对鲸鱼发声进行分类并识别其他海洋物种。研究人员可以利用 Perch 2.0 和 Google Colab、Google Cloud 等工具创建自定义的水下声音分析分类器，与从头开始构建模型…