論文の概要: Towards Automated Animal Density Estimation with Acoustic Spatial Capture-Recapture

• arxiv url: http://arxiv.org/abs/2308.12859v1
• Date: Thu, 24 Aug 2023 15:29:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-25 13:37:47.636516
• Title: Towards Automated Animal Density Estimation with Acoustic Spatial Capture-Recapture
• Title（参考訳）: 音響空間キャプチャーによる動物密度の自動推定
• Authors: Yuheng Wang, Juan Ye, David L. Borchers
• Abstract要約: デジタルレコーダーにより、測量士は大量のデータを低コストで収集することができる。 しかし、これらのデータの中で標的となる種の発声を識別するのは簡単ではない。 機械学習(ML)手法はしばしばその識別に使用される。 音響的空間キャプチャー・キャプチャー推定のための3つの手法を提案する。
• 参考スコア（独自算出の注目度）: 2.5193666094305938
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Passive acoustic monitoring can be an effective way of monitoring wildlife populations that are acoustically active but difficult to survey visually. Digital recorders allow surveyors to gather large volumes of data at low cost, but identifying target species vocalisations in these data is non-trivial. Machine learning (ML) methods are often used to do the identification. They can process large volumes of data quickly, but they do not detect all vocalisations and they do generate some false positives (vocalisations that are not from the target species). Existing wildlife abundance survey methods have been designed specifically to deal with the first of these mistakes, but current methods of dealing with false positives are not well-developed. They do not take account of features of individual vocalisations, some of which are more likely to be false positives than others. We propose three methods for acoustic spatial capture-recapture inference that integrate individual-level measures of confidence from ML vocalisation identification into the likelihood and hence integrate ML uncertainty into inference. The methods include a mixture model in which species identity is a latent variable. We test the methods by simulation and find that in a scenario based on acoustic data from Hainan gibbons, in which ignoring false positives results in 17% positive bias, our methods give negligible bias and coverage probabilities that are close to the nominal 95% level.
• Abstract（参考訳）: 受動的音響モニタリングは、音響的にアクティブだが視覚的に調査が難しい野生生物の個体群を監視する効果的な方法である。 デジタルレコーダーは、サーベイヤーが低コストで大量のデータを集めることができるが、これらのデータでターゲット種の声を識別することは容易ではない。 機械学習(ML)手法はしばしばその識別に使用される。 大量のデータを迅速に処理できるが、全ての発声を検知するわけではなく、いくつかの偽陽性(標的種ではない発声)を生成する。 既存の野生生物資源調査法は、これらの誤りに対処するために特に設計されてきたが、現在の偽陽性処理法は十分に開発されていない。 彼らは個々の発声の特徴を考慮せず、それらの一部は他の声よりも偽陽性である可能性が高い。 本稿では,MLの発声識別から個人レベルの信頼度を推定に組み込むことにより,MLの不確かさを推測に組み込む3つの手法を提案する。 この方法は、種同一性が潜伏変数である混合モデルを含む。 提案手法をシミュレーションにより検証し, 偽陽性を無視すると17%の正のバイアスが生じるハイナンギボンズの音響データに基づくシナリオにおいて, 本手法は, 95%に近い負のバイアスとカバレッジの確率を与える。

関連論文リスト

• All Thresholds Barred: Direct Estimation of Call Density in Bioacoustic Data [1.7916003204531015]
  本研究では,データ単位の呼び出し密度を推定するための検証手法を提案する。 我々はこれらの分布を用いて、分布シフトの対象となるサイトレベルの密度を予測する。
  論文  参考訳（メタデータ） (2024-02-23T14:52:44Z)
• Heteroscedastic Uncertainty Estimation Framework for Unsupervised Registration [32.081258147692395]
  本稿では,異種画像の不確実性推定のためのフレームワークを提案する。 教師なし登録時の不確実性の高い領域の影響を適応的に低減することができる。 提案手法は, ベースラインを常に上回り, 有意な不確実性推定を導出する。
  論文  参考訳（メタデータ） (2023-12-01T01:03:06Z)
• Towards Open-Set Test-Time Adaptation Utilizing the Wisdom of Crowds in Entropy Minimization [47.61333493671805]
  テスト時間適応(TTA)メソッドは、未ラベルのターゲットドメインにソース事前学習モデルを適用するために、モデルの予測に依存する。 本稿では, 以下の重要な経験的発見から着想を得た, 単純かつ効果的なサンプル選択法を提案する。
  論文  参考訳（メタデータ） (2023-08-14T01:24:18Z)
• Rethinking Noisy Label Learning in Real-world Annotation Scenarios from the Noise-type Perspective [38.24239397999152]
  本稿では,雑音ラベル学習のためのサンプル選択に基づく新しい手法であるProto-semiを提案する。 Proto-semiは、すべてのサンプルをウォームアップを通じて信頼性と信頼できないデータセットに分割する。 自信のあるデータセットを活用することで、プロトタイプベクターがクラス特性をキャプチャするために構築される。 実世界の注釈付きデータセットの実証評価は、ノイズラベルから学習する問題の処理において、プロトセミの頑健さを裏付けるものである。
  論文  参考訳（メタデータ） (2023-07-28T10:57:38Z)
• Robust Meta-learning with Sampling Noise and Label Noise via Eigen-Reptile [78.1212767880785]
  Meta-learnerは、利用可能なサンプルがわずかしかないため、過度に適合する傾向がある。 ノイズの多いラベルでデータを扱う場合、メタラーナーはラベルノイズに対して非常に敏感になる可能性がある。 本稿では,タスク固有のパラメータの主要な方向でメタパラメータを更新するEigen-Reptile(ER)を提案する。
  論文  参考訳（メタデータ） (2022-06-04T08:48:02Z)
• 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)
• Continual Learning for Fake Audio Detection [62.54860236190694]
  本論文では,連続学習に基づく手法である忘れずに偽物を検出することで,モデルに新たなスプーフィング攻撃をインクリメンタルに学習させる手法を提案する。 ASVspoof 2019データセットで実験が行われる。
  論文  参考訳（メタデータ） (2021-04-15T07:57:05Z)
• Meta Transition Adaptation for Robust Deep Learning with Noisy Labels [61.8970957519509]
  本研究では,新しいメタ遷移学習戦略を提案する。 具体的には、クリーンなラベル付きメタデータの小さなセットのサウンドガイダンスにより、ノイズ遷移行列と分類器パラメータを相互に改善することができる。 本手法は, 従来技術よりも頑健な性能で, 遷移行列をより正確に抽出することができる。
  論文  参考訳（メタデータ） (2020-06-10T07:27:25Z)
• Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
  我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。 提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-02-11T21:08:06Z)
• Confidence Scores Make Instance-dependent Label-noise Learning Possible [129.84497190791103]
  ノイズのあるラベルで学習する際、そのラベルはノイズモデルと呼ばれる遷移分布に従ってランダムに他のクラスに移動することができる。 我々は、各インスタンスラベル対に信頼スコアを付与する、信頼スコア付きインスタンス依存ノイズ(CSIDN)を導入する。 信頼性スコアの助けを借りて、各インスタンスの遷移分布を推定できる。
  論文  参考訳（メタデータ） (2020-01-11T16:15:41Z)

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。