論文の概要: Perch 2.0: The Bittern Lesson for Bioacoustics

• arxiv url: http://arxiv.org/abs/2508.04665v1
• Date: Wed, 06 Aug 2025 17:34:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.852954
• Title: Perch 2.0: The Bittern Lesson for Bioacoustics
• Title（参考訳）: Perch 2.0: バイオ音響学のためのBitternレッスン
• Authors: Bart van Merriënboer, Vincent Dumoulin, Jenny Hamer, Lauren Harrell, Andrea Burns, Tom Denton,
• Abstract要約: Perch(パーチ)は、バイオ音響学の訓練済みモデルである。 教師付き方式で訓練され、何千もの発声種に対する既成の分類スコアと、移動学習のための強力な埋め込みの両方を提供する。 この新しいリリースであるPerch 2.0では、鳥のみを対象としたトレーニングから、大規模なマルチタキサデータセットまで拡張しています。
• 参考スコア（独自算出の注目度）: 7.540404494602192
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Perch is a performant pre-trained model for bioacoustics. It was trained in supervised fashion, providing both off-the-shelf classification scores for thousands of vocalizing species as well as strong embeddings for transfer learning. In this new release, Perch 2.0, we expand from training exclusively on avian species to a large multi-taxa dataset. The model is trained with self-distillation using a prototype-learning classifier as well as a new source-prediction training criterion. Perch 2.0 obtains state-of-the-art performance on the BirdSet and BEANS benchmarks. It also outperforms specialized marine models on marine transfer learning tasks, despite having almost no marine training data. We present hypotheses as to why fine-grained species classification is a particularly robust pre-training task for bioacoustics.
• Abstract（参考訳）: Perch(パーチ)はバイオ音響学の高性能事前訓練モデルである。 教師付き方式で訓練され、何千もの発声種に対する既成の分類スコアと、移動学習のための強力な埋め込みの両方を提供する。 この新しいリリースであるPerch 2.0では、鳥のみを対象としたトレーニングから、大規模なマルチタキサデータセットまで拡張しています。 モデルは、プロトタイプ学習分類器と新しいソース予測訓練基準を用いて自己蒸留で訓練される。 Perch 2.0はBirdSetとBEANSベンチマークで最先端のパフォーマンスを得る。 また、海洋の訓練データはほとんどないにもかかわらず、海洋移動学習の専門的な海洋モデルよりも優れています。 本稿では, 生物音響学において, きめ細かい種分類が特に頑健な事前学習課題である理由を仮説として提示する。

関連論文リスト

• Foundation Models for Bioacoustics -- a Comparative Review [0.9109149174920012]
  本稿では, 生体音響基礎モデルについて, モデルアーキテクチャ, 事前学習計画, 訓練パラダイムなどの設計決定を徹底的に分析して検討する。 BEANSおよびBirdSetベンチマークから,分類タスクの選択基盤モデルを評価する。 総合的な実験分析の結果,BirdSetベンチマークでは,大規模鳥の鳴き声データに基づく自己指導による学習が最高の成績を収めていることが明らかとなった。
  論文  参考訳（メタデータ） (2025-08-02T09:15:16Z)
• Semi-supervised classification of bird vocalizations [0.0]
  鳥類の個体数の変化は生態系の広範な変化を示す可能性がある。 時間重なり合う鳴き声を検出するための半教師付き音響鳥検知器を提案する。 平均F0.5スコアは315のクラスで0.701で、110種の鳥類をホールドアウトテストセットで記録する。
  論文  参考訳（メタデータ） (2025-02-19T05:31:13Z)
• Generalization in birdsong classification: impact of transfer learning methods and dataset characteristics [2.6740633963478095]
  大規模な鳥音分類における伝達学習の有効性について検討する。 実験により, 微調整蒸留と知識蒸留の双方で高い性能が得られた。 動物音コミュニティにおけるより包括的なラベリングの実践を提唱する。
  論文  参考訳（メタデータ） (2024-09-21T11:33:12Z)
• Co-training for Low Resource Scientific Natural Language Inference [65.37685198688538]
  遠隔教師付きラベルに分類器のトレーニング力学に基づいて重みを割り当てる新しいコトレーニング手法を提案する。 予測された信頼度に対する任意のしきい値に基づいてサンプルをフィルタリングするのではなく、重要重みを割り当てることにより、自動ラベル付きデータの使用を最大化する。 提案手法は、遠隔監視ベースラインに対するマクロF1の1.5%の改善と、他の強力なSSLベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-06-20T18:35:47Z)
• animal2vec and MeerKAT: A self-supervised transformer for rare-event raw audio input and a large-scale reference dataset for bioacoustics [2.1019401515721583]
  animal2vecは、未ラベルの音声から学習し、ラベル付きデータでその理解を洗練する、解釈可能な大きなトランスフォーマーモデルである。 Meerkat Audio Transcriptsは、ヒト以外の地上哺乳動物に関する最大のラベル付きデータセットである。 我々のモデルは,MeerKATの既存の手法と利用可能な NIPS4Bplus Birdong データセットより優れている。
  論文  参考訳（メタデータ） (2024-06-03T12:11:01Z)
• Leveraging tropical reef, bird and unrelated sounds for superior transfer learning in marine bioacoustics [5.799126142155481]
  機械学習は、環境評価のためのパッシブ音響モニタリング(PAM)に革命をもたらす可能性がある。 一般化可能な事前学習ネットワークはこれらのコストを克服することができるが、高品質な事前学習には膨大な注釈付きライブラリが必要である。 ここではサンゴ礁生物音響学を用いてデータ不足領域に対する最適事前学習戦略を同定する。
  論文  参考訳（メタデータ） (2024-04-25T09:12:35Z)
• 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)
• 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)
• TWINS: A Fine-Tuning Framework for Improved Transferability of Adversarial Robustness and Generalization [89.54947228958494]
  本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。 本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。 TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
  論文  参考訳（メタデータ） (2023-03-20T14:12:55Z)
• Ensembling Off-the-shelf Models for GAN Training [55.34705213104182]
  事前学習されたコンピュータビジョンモデルは、識別器のアンサンブルで使用する場合、性能を著しく向上させることができる。 本研究では,事前学習したモデル埋め込みにおける実検体と偽検体間の線形分離性を検証し,効率的な選択機構を提案する。 本手法は, 限られたデータと大規模設定の両方において, GAN トレーニングを改善することができる。
  論文  参考訳（メタデータ） (2021-12-16T18:59:50Z)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)
• Fine-grained Angular Contrastive Learning with Coarse Labels [72.80126601230447]
  教師付きおよび自己監督型コントラスト前訓練を効果的に組み合わせることができる新しい「Angularの正規化」モジュールを紹介します。 この研究は、C2FS分類のこの新しい、挑戦的で、非常に実用的なトピックに関する将来の研究の道を開くのに役立ちます。
  論文  参考訳（メタデータ） (2020-12-07T08:09:02Z)

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。