論文の概要: Deep embedded clustering of coral reef bioacoustics

• arxiv url: http://arxiv.org/abs/2012.09982v2
• Date: Sun, 21 Mar 2021 12:59:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-02 09:05:10.469042
• Title: Deep embedded clustering of coral reef bioacoustics
• Title（参考訳）: サンゴ礁生物音響の深部埋め込みクラスタリング
• Authors: Emma Ozanich and Aaron Thode and Peter Gerstoft and Lauren A. Freeman and Simon Freeman
• Abstract要約: 魚の鳴き声とクジラの鳴き声を区別するために,サンゴ礁の鳴き声にラベルのない自動検出信号にクラスタリングを適用した。 ディープ組込みクラスタリング(DEC)は遅延特徴を学習し、信号の固定長パワースペクトログラムを用いて分類クラスタを形成する。 また, ガウス混合モデル (GMM) と従来のクラスタリングを用いて, スペクトル・時間特性を抽出し, クラスタリングを行った。
• 参考スコア（独自算出の注目度）: 8.347190888362194
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep clustering was applied to unlabeled, automatically detected signals in a coral reef soundscape to distinguish fish pulse calls from segments of whale song. Deep embedded clustering (DEC) learned latent features and formed classification clusters using fixed-length power spectrograms of the signals. Handpicked spectral and temporal features were also extracted and clustered with Gaussian mixture models (GMM) and conventional clustering. DEC, GMM, and conventional clustering were tested on simulated datasets of fish pulse calls (fish) and whale song units (whale) with randomized bandwidth, duration, and SNR. Both GMM and DEC achieved high accuracy and identified clusters with fish, whale, and overlapping fish and whale signals. Conventional clustering methods had low accuracy in scenarios with unequal-sized clusters or overlapping signals. Fish and whale signals recorded near Hawaii in February-March 2020 were clustered with DEC, GMM, and conventional clustering. DEC features demonstrated the highest accuracy of 77.5% on a small, manually labeled dataset for classifying signals into fish and whale clusters.
• Abstract（参考訳）: 魚の脈波をクジラの鳴き声と区別するために,サンゴ礁の鳴き声にラベルなし,自動的に検出された信号に対して深層クラスタリングを施した。 ディープ組込みクラスタリング(DEC)は遅延特徴を学習し、信号の固定長パワースペクトログラムを用いて分類クラスタを形成する。 また, ガウス混合モデル (GMM) と従来のクラスタリングを用いて, スペクトル・時間特性の抽出とクラスタリングを行った。 dec, gmm, および従来のクラスタリングは, ランダム帯域幅, 持続時間, snrを有する魚のパルスコール (fish) とクジラの歌ユニット (whale) のシミュレーションデータセット上でテストされた。 GMMとDECはどちらも精度が高く、魚、クジラ、魚、クジラの信号が重なり合うクラスターを同定した。 従来のクラスタリング手法は、不等サイズのクラスタや重複信号のシナリオでは精度が低かった。 2020年2月から3月にかけてハワイ近郊で記録された魚やクジラの信号は、DEC、GMM、および従来のクラスタリングで収集された。 DECの特徴は、魚やクジラの群れに信号を分類するための小さなラベル付きデータセットで77.5%の精度を示した。

関連論文リスト

• Interaction-Aware Gaussian Weighting for Clustered Federated Learning [58.92159838586751]
  フェデレートラーニング(FL)は、プライバシを維持しながらモデルをトレーニングするための分散パラダイムとして登場した。 本稿では,新たなクラスタリングFL法であるFedGWC(Federated Gaussian Weighting Clustering)を提案する。 ベンチマークデータセットを用いた実験により,FedGWCはクラスタの品質と分類精度において,既存のFLアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-02-05T16:33:36Z)
• Consistent spectral clustering in sparse tensor block models [0.0]
  高階クラスタリングは、様々な分野で広く使われているマルチウェイデータセットでオブジェクトを分類することを目的としている。 本稿では,整数値の少ないデータテンソルに特化して設計されたテンソルブロックモデルを提案する。 ノイズ変動を緩和するためのトリミングステップを付加した単純なスペクトルクラスタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-23T16:41:19Z)
• WhaleNet: a Novel Deep Learning Architecture for Marine Mammals Vocalizations on Watkins Marine Mammal Sound Database [49.1574468325115]
  textbfWhaleNet (Wavelet Highly Adaptive Learning Ensemble Network) は海洋哺乳動物の発声を分類するための高度な深層アンサンブルアーキテクチャである。 既存のアーキテクチャよりも8-10%の精度で分類精度を向上し、分類精度は9,7.61%である。
  論文  参考訳（メタデータ） (2024-02-20T11:36:23Z)
• Detecting the presence of sperm whales echolocation clicks in noisy environments [6.780645464187687]
  コウクジラ(Physeter macrocephalus)は、エコーロケーションクリックとして知られる一連の衝動的でクリックのような音で水中を航行する。 我々は,マルチパルス構造(MPS)の安定性を,ノイズの多い環境におけるクリックの存在を認識し,分類するための検出指標として利用する。
  論文  参考訳（メタデータ） (2023-12-31T13:24:44Z)
• AWT -- Clustering Meteorological Time Series Using an Aggregated Wavelet Tree [9.470649284657483]
  AWTは時系列データのためのクラスタリングアルゴリズムであり、クラスタリング中に暗黙のアウトリア検出を行う。 ウィーン市からの1時間分解能でクラウドソース2mの温度データにAWTを適用し,異常値を検出する。 その結果,AWTでは,外乱検出と土地利用特性への暗黙マッピングが可能であることがわかった。
  論文  参考訳（メタデータ） (2022-12-13T15:25:29Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• Unsupervised Clustered Federated Learning in Complex Multi-source Acoustic Environments [75.8001929811943]
  現実的で挑戦的なマルチソース・マルチルーム音響環境を導入する。 本稿では,音響シーンの変動を考慮したクラスタリング制御手法を提案する。 提案手法はクラスタリングに基づく測度を用いて最適化され,ネットワークワイド分類タスクによって検証される。
  論文  参考訳（メタデータ） (2021-06-07T14:51:39Z)
• Discriminative Singular Spectrum Classifier with Applications on Bioacoustic Signal Recognition [67.4171845020675]
  分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。 タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。 提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
  論文  参考訳（メタデータ） (2021-03-18T11:01:21Z)
• LSD-C: Linearly Separable Deep Clusters [145.89790963544314]
  ラベルなしデータセットのクラスタを識別する新しい手法であるLSD-Cを提案する。 本手法は,最近の半教師付き学習の実践からインスピレーションを得て,クラスタリングアルゴリズムと自己教師付き事前学習と強力なデータ拡張を組み合わせることを提案する。 CIFAR 10/100, STL 10, MNIST, および文書分類データセットReuters 10Kなど, 一般的な公開画像ベンチマークにおいて, 当社のアプローチが競合より大幅に優れていたことを示す。
  論文  参考訳（メタデータ） (2020-06-17T17:58:10Z)
• Coarse-Grain Cluster Analysis of Tensors with Application to Climate Biome Identification [0.27998963147546146]
  離散ウェーブレット変換を用いて、粗粒化がクラスタリングテンソルデータに与える影響を分析する。 我々は特に、地球の気候システムのスケール効果のクラスター化について理解することに興味を持っている。
  論文  参考訳（メタデータ） (2020-01-22T00:28:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。