論文の概要: Correlation Clustering of Bird Sounds

• arxiv url: http://arxiv.org/abs/2306.09906v1
• Date: Fri, 16 Jun 2023 15:35:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-19 13:22:14.386854
• Title: Correlation Clustering of Bird Sounds
• Title（参考訳）: 鳥音の相関クラスタリング
• Authors: David Stein, Bjoern Andres
• Abstract要約: 鳥の音のクラスタリングについて検討し,同じ種類の鳥の音を聴くことができるかどうかを1対の音の録音で判断する作業について検討した。 トレーニングセットから、この方法で関連付けられた記録のペアの確率をファーストラーニングし、相関クラスタリングによるテストセットの最大確率分割を推定することで、この問題に対処する。
• 参考スコア（独自算出の注目度）: 7.528263544536625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bird sound classification is the task of relating any sound recording to those species of bird that can be heard in the recording. Here, we study bird sound clustering, the task of deciding for any pair of sound recordings whether the same species of bird can be heard in both. We address this problem by first learning, from a training set, probabilities of pairs of recordings being related in this way, and then inferring a maximally probable partition of a test set by correlation clustering. We address the following questions: How accurate is this clustering, compared to a classification of the test set? How do the clusters thus inferred relate to the clusters obtained by classification? How accurate is this clustering when applied to recordings of bird species not heard during training? How effective is this clustering in separating, from bird sounds, environmental noise not heard during training?
• Abstract（参考訳）: 鳥の音の分類は、録音で聴くことができる鳥の種に音の録音を関連付ける作業である。 本稿では,同種の鳥が両方の音を聴くことができるかどうかを,一対の音を録音する作業である鳥音クラスタリングについて検討する。 トレーニングセットから、この方法で関連付けられた記録のペアの確率をファーストラーニングし、相関クラスタリングによるテストセットの最大確率分割を推定することでこの問題に対処する。 テストセットの分類と比較して、このクラスタリングはどの程度正確か? このように推定されたクラスタは、分類によって得られたクラスタとどのように関係するのか? 訓練中に聞こえなかった鳥の録音に、このクラスタリングはどの程度正確か? 訓練中、鳥の鳴き声や環境騒音を分離する上で、このクラスタリングはどの程度効果的か?

関連論文リスト

• AudioProtoPNet: An interpretable deep learning model for bird sound classification [1.49199020343864]
  本研究では,マルチラベル鳥の音の分類にPrototypeal Part Network(ProtoPNet)を適応したAudioProtoPNetを紹介する。 これは本質的に解釈可能なモデルであり、埋め込みを抽出するためにConvNeXtのバックボーンを使用する。 このモデルは、9,734種の鳥類と6,800時間以上の録音からなるBirdSetトレーニングデータセットで訓練された。
  論文  参考訳（メタデータ） (2024-04-16T09:37:41Z)
• Exploring Meta Information for Audio-based Zero-shot Bird Classification [113.17261694996051]
  本研究では,メタ情報を用いてゼロショット音声分類を改善する方法について検討する。 我々は,多種多様なメタデータが利用可能であることから,鳥種を例として用いている。
  論文  参考訳（メタデータ） (2023-09-15T13:50:16Z)
• Unsupervised classification to improve the quality of a bird song recording dataset [0.0]
  本稿では,時間周波数音声単位のセグメンテーション,各音単位の特徴計算,各音単位を鳥の歌や雑音として分類する3つのステップからなる,データ中心の新規ラベリング機能を提案する。 ラベル付け機能は,データセットに存在する初期ラベルノイズを最大3倍に低減することができた。
  論文  参考訳（メタデータ） (2023-02-15T10:01:58Z)
• Centrality and Consistency: Two-Stage Clean Samples Identification for Learning with Instance-Dependent Noisy Labels [87.48541631675889]
  本稿では,2段階のクリーンサンプル識別手法を提案する。 まず,クリーンサンプルの早期同定にクラスレベルの特徴クラスタリング手法を用いる。 次に, 基底真理クラス境界に近い残余のクリーンサンプルについて, 一貫性に基づく新しい分類法を提案する。
  論文  参考訳（メタデータ） (2022-07-29T04:54:57Z)
• 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)
• Label noise detection under the Noise at Random model with ensemble filters [5.994719700262245]
  本研究では、2つの異なる雑音モデルの下でのアンサンブルノイズ検出の性能について検討する。 データセットで観測される全雑音レベルが変化するため,クラス分布がノイズ検出性能に及ぼす影響について検討する。
  論文  参考訳（メタデータ） (2021-12-02T21:49:41Z)
• An empirical investigation into audio pipeline approaches for classifying bird species [0.9158130615768508]
  本論文は,鳥類種のモニタリングに適した音声分類パイプラインの側面について検討する。 従来のディープニューラルネットワーク(DNN)の有効性を探求するアプローチと、畳み込みレイヤを利用するアプローチの2つを考慮する。
  論文  参考訳（メタデータ） (2021-08-10T05:02:38Z)
• Training Classifiers that are Universally Robust to All Label Noise Levels [91.13870793906968]
  ディープニューラルネットワークは、ラベルノイズの存在下で過度に適合する傾向がある。 ポジティヴ・アンラベルラーニングの新たなサブカテゴリを取り入れた蒸留ベースのフレームワークを提案する。 我々の枠組みは概して中～高騒音レベルにおいて優れています。
  論文  参考訳（メタデータ） (2021-05-27T13:49:31Z)
• Learning with Group Noise [106.56780716961732]
  グループノイズを用いた学習のための新しいマックスマッチング手法を提案する。 いくつかの学習パラダイムの領域における実世界のデータセットのレンジのパフォーマンスは、Max-Matchingの有効性を示している。
  論文  参考訳（メタデータ） (2021-03-17T06:57:10Z)
• Class2Simi: A Noise Reduction Perspective on Learning with Noisy Labels [98.13491369929798]
  そこで我々は,ノイズのあるクラスラベルを持つデータポイントを,ノイズの多い類似ラベルを持つデータペアに変換するClass2Simiというフレームワークを提案する。 Class2Simiは、この変換がミニバッチのオンザフライであるだけでなく、モデル予測上の損失をペアワイズに変化させるため、計算的に効率的である。
  論文  参考訳（メタデータ） (2020-06-14T07:55:32Z)
• Multi-Class Classification from Noisy-Similarity-Labeled Data [98.13491369929798]
  雑音に類似したラベル付きデータのみから学習する方法を提案する。 ノイズ遷移行列を用いて、クリーンデータとノイズデータの間にクラス後確率をブリッジする。 雑音のないクラスラベルをインスタンスに割り当てる新しい学習システムを構築した。
  論文  参考訳（メタデータ） (2020-02-16T05:10:21Z)

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。