論文の概要: Identify The Beehive Sound Using Deep Learning

• arxiv url: http://arxiv.org/abs/2209.01374v1
• Date: Sat, 3 Sep 2022 09:07:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-07 15:38:57.803821
• Title: Identify The Beehive Sound Using Deep Learning
• Title（参考訳）: 深層学習による養蜂音の同定
• Authors: Shah Jafor Sadeek Quaderi, Sadia Afrin Labonno, Sadia Mostafa and Shamim Akhter
• Abstract要約: ハチはすべての開花植物の約75%を受粉する。 環境汚染、気候変動、自然景観の解体などにより、自然の生息地は脅かされている。 ビーヒーブ音の録音に音響的分類を適用することは、その内部の変化を検出する方法であるかもしれない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flowers play an essential role in removing the duller from the environment. The life cycle of the flowering plants involves pollination, fertilization, flowering, seed-formation, dispersion, and germination. Honeybees pollinate approximately 75% of all flowering plants. Environmental pollution, climate change, natural landscape demolition, and so on, threaten the natural habitats, thus continuously reducing the number of honeybees. As a result, several researchers are attempting to resolve this issue. Applying acoustic classification to recordings of beehive sounds may be a way of detecting changes within them. In this research, we use deep learning techniques, namely Sequential Neural Network, Convolutional Neural Network, and Recurrent Neural Network, on the recorded sounds to classify bee sounds from the nonbeehive noises. In addition, we perform a comparative study among some popular non-deep learning techniques, namely Support Vector Machine, Decision Tree, Random Forest, and Na\"ive Bayes, with the deep learning techniques. The techniques are also verified on the combined recorded sounds (25-75% noises).
• Abstract（参考訳）: 花は、デュラーを環境から取り除く上で重要な役割を果たす。 開花植物のライフサイクルには、受粉、受精、開花、種子形成、分散、発芽が含まれる。 ハチはすべての開花植物の約75%を受粉する。 環境汚染、気候変動、自然景観破壊などにより、自然の生息地が脅かされ、ミツバチの数を継続的に減少させる。 その結果、いくつかの研究者がこの問題を解決しようとしている。 ビーヒーブ音の録音に音響的分類を適用することは、その内部の変化を検出する方法である。 本研究では,録音された音に逐次ニューラルネットワーク,畳み込みニューラルネットワーク,再帰的ニューラルネットワークといったディープラーニング技術を用いて,蜂の鳴き声を非趣味音から分類する。 さらに,深層学習手法を用いて,サポートベクターマシン,決定木,ランダムフォレスト,na\"iveベイズなど,一般的な非深層学習手法の比較研究を行った。 この手法は録音された音(25～75%の雑音)でも検証される。

関連論文リスト

• Continuous Modeling of the Denoising Process for Speech Enhancement Based on Deep Learning [61.787485727134424]
  状態変数をデノナイジングプロセスを示すために使用します。 UNetのようなニューラルネットワークは、連続的復調プロセスからサンプリングされたすべての状態変数を推定することを学ぶ。 実験結果から, クリーンターゲットに少量の雑音を保存することは, 音声強調に有効であることが示唆された。
  論文  参考訳（メタデータ） (2023-09-17T13:27:11Z)
• Few-shot Long-Tailed Bird Audio Recognition [3.8073142980733]
  本研究では,音環境記録を解析するための音響検出・分類パイプラインを提案する。 私たちのソリューションは、Kaggleで開催されたBirdCLEF 2022 Challengeで、807チームの18位を獲得しました。
  論文  参考訳（メタデータ） (2022-06-22T04:14:25Z)
• Modeling the Repetition-based Recovering of Acoustic and Visual Sources with Dendritic Neurons [5.306881553301636]
  自然の聴覚環境において、音響信号は異なる音源の時間重畳から生じる。 ヒトの実験では、聴覚系は音響入力に埋め込まれた繰り返しパターンとして音源を識別できることが示されている。 音響刺激の混合配列のブラインドソース分離を行うための生物学的にインスパイアされた計算モデルを提案する。
  論文  参考訳（メタデータ） (2022-01-16T19:35:59Z)
• Classification of animal sounds in a hyperdiverse rainforest using Convolutional Neural Networks [0.0]
  受動的に記録された音場から機械学習アプローチによる自動種検出は有望な手法である。 本研究では,ボルネオの熱帯林の音環境と,移動学習による畳み込みニューラルネットワークモデル(CNN)を用いた。 以上の結果から,トランスファー学習とデータ拡張は,多くの稀な種を持つ小さなサウンドスケーププロジェクトにおいても,CNNを用いて声の分類が可能であることが示唆された。
  論文  参考訳（メタデータ） (2021-11-29T21:34:57Z)
• Combating Noise: Semi-supervised Learning by Region Uncertainty Quantification [55.23467274564417]
  現在の手法は、擬似ラベルによって生成されるノイズの多い領域によって容易に妨げられる。 領域の不確実性を定量化して雑音耐性半教師付き学習を提案する。 PASCAL VOCとMS COCOの併用実験により,本手法の異常な性能を実証した。
  論文  参考訳（メタデータ） (2021-11-01T13:23:42Z)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)
• Semi-Supervised Audio Representation Learning for Modeling Beehive Strengths [2.2680266599208765]
  ミツバチは私たちの生態系や食品の安全に重要な要因であり、世界の収量の35%に寄与しています。 ミツバチの重要性にもかかわらず、養蜂は人間の労働力と経験に由来するミツバチにのみ依存する。 我々は,音声および環境計測による蜂のモニタリングのための統合ハードウェアセンシングシステムを開発した。 ラベルが限られているにもかかわらず,本モデルは良好に動作し,ビービーブの異なるサウンドプロファイルを特徴付けるのに有用なオーディオ埋め込みを学習できることを示す。
  論文  参考訳（メタデータ） (2021-05-21T18:59:29Z)
• 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)
• Modelling Animal Biodiversity Using Acoustic Monitoring and Deep Learning [0.0]
  本稿では,機械学習の最先端技術を用いて,時系列音声信号から特徴を自動的に抽出する手法について概説する。 得られた鳥の歌はメル周波数ケプストラム(MFC)を用いて処理され、後に多層パーセプトロン(MLP)を用いて分類される特徴を抽出する。 提案手法は感度0.74,特異度0.92,精度0.74で有望な結果を得た。
  論文  参考訳（メタデータ） (2021-03-12T13:50:31Z)
• Neural Granular Sound Synthesis [53.828476137089325]
  グラニュラー音声合成は、小さな波形ウィンドウの並べ替え配列に基づく一般的な音声生成技術である。 生成ニューラルネットワークは、その欠点の大部分を緩和しつつ、粒状合成を実現することができることを示す。
  論文  参考訳（メタデータ） (2020-08-04T08:08:00Z)
• Deep Learning on Image Denoising: An overview [92.07378559622889]
  画像認知におけるディープテクニックの比較研究を行っている。 まず、付加的な白色雑音画像に対して、深部畳み込みニューラルネットワーク(CNN)を分類する。 次に、定量的および定性的な分析の観点から、パブリック・デノゲーション・データセットの最先端の手法を比較した。
  論文  参考訳（メタデータ） (2019-12-31T05:03:57Z)

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。