論文の概要: A noise-robust acoustic method for recognition of foraging activities of grazing cattle

• arxiv url: http://arxiv.org/abs/2304.14824v1
• Date: Fri, 28 Apr 2023 13:06:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-01 14:09:28.868799
• Title: A noise-robust acoustic method for recognition of foraging activities of grazing cattle
• Title（参考訳）: 放牧牛の採餌活動の認識のためのノイズ・ロバスト音響法
• Authors: Luciano S. Martinez-Rau, Jos\'e O. Chelotti, Mariano Ferrero, Julio R. Galli, Santiago A. Utsumi, Alejandra M. Planisich, H. Leonardo Rufiner, Leonardo L. Giovanini
• Abstract要約: ノイズロバスト鍛造活動認識器(NRFAR)という音響手法を提案する。 提案手法は, 特定顎運動事象の固定長セグメントを解析し, 採餌活動量を決定する。 ノイズのない環境では、NRFARは平均平衡精度89%に達し、従来の2つの音響手法を7%以上上回っている。
• 参考スコア（独自算出の注目度）: 50.591267188664666
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: To stay competitive in the growing dairy market, farmers must continuously improve their livestock production systems. Precision livestock farming technologies provide individualised monitoring of animals on commercial farms, optimising livestock production. Continuous acoustic monitoring is a widely accepted sensing technique used to estimate the daily rumination and grazing time budget of free-ranging cattle. However, typical environmental and natural noises on pasture noticeably affect the performance and generalisation of current acoustic methods. In this study, we present an acoustic method called Noise-Robust Foraging Activity Recognizer (NRFAR). The proposed method determines foraging activity bouts by analysing fixed-length segments of identified jaw movement events associated with grazing and rumination. The additive noise robustness of NRFAR was evaluated for several signal-to-noise ratios, using stationary Gaussian white noise and four different non-stationary natural noise sources. In noiseless conditions, NRFAR reaches an average balanced accuracy of 89%, outperforming two previous acoustic methods by more than 7%. Additionally, NRFAR presents better performance than previous acoustic methods in 66 out of 80 evaluated noisy scenarios (p<0.01). NRFAR operates online with a similar computational cost to previous acoustic methods. The combination of these properties and the high performance in harsh free-ranging environments render NRFAR an excellent choice for real-time implementation in a low-power embedded device. The instrumentation and computational algorithms presented within this publication are protected by a pending patent application: AR P20220100910. Web demo available at: https://sinc.unl.edu.ar/web-demo/nrfar
• Abstract（参考訳）: 成長する乳製品市場で競争力を維持するために、農家は家畜生産システムの改善を継続的に行わなければならない。 精密家畜農業技術は、商業農場で動物を個別に監視し、家畜生産を最適化する。 継続的音響モニタリングは, 放牧牛の毎日の放牧および放牧時間予算を推定するために広く受け入れられているセンシング技術である。 しかし, 牧草地の環境・自然騒音は, 現在の音響手法の性能と一般化に顕著に影響を及ぼす。 本研究では,NRFAR(Noss-Robust Foraging Activity Recognizer)と呼ばれる音響手法を提案する。 提案手法は, 放牧と反行に関連する顎運動イベントの固定長セグメントを分析し, 採餌行動を決定する。 NRFARの付加雑音頑健性は,定常ガウスホワイトノイズと4種類の非定常自然ノイズ源を用いて,複数の信号対雑音比で評価した。 ノイズのない環境では、NRFARは平均平衡精度89%に達し、2つの従来の音響手法を7%以上上回っている。 さらに、NRFARは、80の雑音シナリオのうち66の音響的手法よりも優れた性能を示す(p<0.01。 NRFARは従来の音響手法と同様の計算コストでオンラインで運用されている。 これらの特性と厳しい自由配置環境での高性能の組み合わせにより、NRFARは低消費電力組み込みデバイスにおけるリアルタイム実装に優れた選択肢となる。 この出版物内で提示される計測と計算アルゴリズムは、進行中の特許出願であるAR P20220100910によって保護されている。 web demo available at https://sinc.unl.edu.ar/web-demo/nrfar

関連論文リスト

• Dataset Distillers Are Good Label Denoisers In the Wild [16.626153947696743]
  ノイズ除去にデータセット蒸留を利用する新しい手法を提案する。 本手法は,既存の手法に共通するフィードバックループを回避し,訓練効率を向上させる。 各種ノイズ条件下での3つの代表的なデータセット蒸留法(DATM, DANCE, RCIG)を厳格に評価した。
  論文  参考訳（メタデータ） (2024-11-18T06:26:41Z)
• Towards Robust Transcription: Exploring Noise Injection Strategies for Training Data Augmentation [55.752737615873464]
  本研究では,SNR(Signal-to-Noise Ratio)レベルにおける白色雑音の影響について検討した。 この研究は、様々な音環境における一貫した性能を維持する転写モデルの開発に向けた予備的な研究として、貴重な洞察を与えてくれることを願っている。
  論文  参考訳（メタデータ） (2024-10-18T02:31:36Z)
• SoftPatch: Unsupervised Anomaly Detection with Noisy Data [67.38948127630644]
  本稿では,画像センサ異常検出におけるラベルレベルのノイズを初めて考察する。 本稿では,メモリベースの非教師付きAD手法であるSoftPatchを提案する。 既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
  論文  参考訳（メタデータ） (2024-03-21T08:49:34Z)
• Comparative Study on the Effects of Noise in ML-Based Anxiety Detection [0.0]
  ノイズがモデル性能にどのように影響するかを考察し、ノイズの多い実環境に頑健なモデルを開発する。 生理的覚醒のレベルを分類する機械学習モデルにおいて,様々なノイズの強度が与える影響を比較した。
  論文  参考訳（メタデータ） (2023-06-01T19:52:24Z)
• Latent Class-Conditional Noise Model [54.56899309997246]
  本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。 次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。 提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
  論文  参考訳（メタデータ） (2023-02-19T15:24:37Z)
• C2N: Practical Generative Noise Modeling for Real-World Denoising [53.96391787869974]
  両例を使わずに複雑な実世界の騒音を模倣するクリーン・ツー・ノイズ画像生成フレームワーク,すなわちC2Nを導入する。 我々は,C2Nの騒音発生器を実世界の騒音特性の成分に応じて構築し,広い範囲の騒音を正確に表現する。
  論文  参考訳（メタデータ） (2022-02-19T05:53:46Z)
• Noise Stability Regularization for Improving BERT Fine-tuning [94.80511419444723]
  BERTのような微調整済みの言語モデルは、様々なNLPタスクにまたがるリーダーボードを支配する一般的なプラクティスとなっている。 レイヤワイドノイズ安定正規化(LNSR)と呼ばれる,NLPタスクの微調整を改善するための,新しい効果的な正規化手法を提案する。 良好な性能を示すモデルが雑音に対する感度が低く、LNSRによる微調整は明らかに高い一般化性と安定性を示すことを実験的に確認した。
  論文  参考訳（メタデータ） (2021-07-10T13:19:04Z)
• Dynamic Layer Customization for Noise Robust Speech Emotion Recognition in Heterogeneous Condition Training [16.807298318504156]
  ノイズ条件毎に,サンプルを特殊特徴エンコーダに動的にルーティングすることで,性能を向上できることを示す。 時間的順序付けを動的にルーティングすることで,これらの改善をマルチモーダル設定に拡張する。
  論文  参考訳（メタデータ） (2020-10-21T18:07:32Z)
• SERIL: Noise Adaptive Speech Enhancement using Regularization-based Incremental Learning [36.24803486242198]
  新しい環境への適応は、以前に学んだ環境を壊滅的に忘れてしまう可能性がある。 本稿では,正規化に基づくインクリメンタルラーニングSE(SERIL)戦略を提案する。 規則化制約により、パラメータは以前の騒音環境の知識を維持しつつ、新しい騒音環境に更新される。
  論文  参考訳（メタデータ） (2020-05-24T14:49:10Z)

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。