論文の概要: Lightweight Hopfield Neural Networks for Bioacoustic Detection and Call Monitoring of Captive Primates

• arxiv url: http://arxiv.org/abs/2511.11615v1
• Date: Tue, 04 Nov 2025 17:46:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-23 18:31:12.300142
• Title: Lightweight Hopfield Neural Networks for Bioacoustic Detection and Call Monitoring of Captive Primates
• Title（参考訳）: 生体音響検出のための軽量ホップフィールドニューラルネットワーク
• Authors: Wendy Lomas, Andrew Gascoyne, Colin Dubreuil, Stefano Vaglio, Liam Naughton,
• Abstract要約: 本稿では,ホップフィールドニューラルネットワークアーキテクチャを用いた,透過的で軽量かつ高速に学習可能な連想型メモリAIモデルを提案する。 コウモリのエコーロケーションを検知するために開発されたモデルに適応したこのモデルは、捕獲された絶滅危惧種である白黒ラッフェのVarecia variegataの発声をモニターする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Passive acoustic monitoring is a sustainable method of monitoring wildlife and environments that leads to the generation of large datasets and, currently, a processing backlog. Academic research into automating this process is focused on the application of resource intensive convolutional neural networks which require large pre-labelled datasets for training and lack flexibility in application. We present a viable alternative relevant in both wild and captive settings; a transparent, lightweight and fast-to-train associative memory AI model with Hopfield neural network (HNN) architecture. Adapted from a model developed to detect bat echolocation calls, this model monitors captive endangered black-and-white ruffed lemur Varecia variegata vocalisations. Lemur social calls of interest when monitoring welfare are stored in the HNN in order to detect other call instances across the larger acoustic dataset. We make significant model improvements by storing an additional signal caused by movement and achieve an overall accuracy of 0.94. The model can perform $340$ classifications per second, processing over 5.5 hours of audio data per minute, on a standard laptop running other applications. It has broad applicability and trains in milliseconds. Our lightweight solution reduces data-to-insight turnaround times and can accelerate decision making in both captive and wild settings.
• Abstract（参考訳）: パッシブ・アコースティック・モニタリングは、野生生物と環境をモニタリングする持続可能な方法であり、大規模なデータセットの生成につながる。 このプロセスを自動化するための学術的な研究は、リソース集約型畳み込みニューラルネットワークの適用に焦点を当てている。 ポープフィールドニューラルネットワーク(HNN)アーキテクチャを用いた、透明で軽量で高速にトレーニング可能な連想型メモリAIモデルである。 コウモリのエコーロケーションを検知するために開発されたモデルに適応したこのモデルは、捕獲された絶滅危惧種である白黒ラッフェのVarecia variegataの発声をモニターする。 より大きな音響データセット全体にわたって、他の呼び出しインスタンスを検出するために、福祉を監視しているときに関心を持つレミュール社会呼び出しをHNNに格納する。 動きによって引き起こされる付加的な信号を保存し、全体の精度を0.94にすることで、大幅なモデル改善を行う。 このモデルは毎秒340ドルで分類でき、他のアプリケーションを実行する標準のラップトップ上で、毎分5.5時間以上のオーディオデータを処理できる。 適用範囲は広いが、列車はミリ秒で運行される。 我々の軽量なソリューションは、データ対監視のターンアラウンド時間を短縮し、捕虜と野生の両方の設定における意思決定を加速します。

関連論文リスト

• Identification of Capture Phases in Nanopore Protein Sequencing Data Using a Deep Learning Model [0.0]
  ダウンサンプリング信号窓の捕捉位相を検出する軽量な1次元畳み込みニューラルネットワーク (1D CNN) を開発した。 我々の最良のモデルであるCaptureNet-Deepは、ホールドアウトテストデータでF1スコア0.94と精度93.39%を達成した。 これらの結果から,シンプルかつ解釈可能なアーキテクチャを用いて,効率的なリアルタイムキャプチャ検出が可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-11-03T06:51:53Z)
• First-of-its-kind AI model for bioacoustic detection using a lightweight associative memory Hopfield neural network [0.0]
  生物音響学における課題は、受動的音響モニタリング装置から生成される膨大な量のデータを分析することである。 我々のモデル定式化は、生物音響解析に現在のAIモデルを使用する際に発生する重要な問題に対処する。 これは、透過的で説明可能なホップフィールドニューラルネットワークを介して連想メモリを使用して、信号を格納し、類似した信号を検知する。
  論文  参考訳（メタデータ） (2025-07-14T16:37:20Z)
• Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
  本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。 可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。 実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-06-24T21:14:59Z)
• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• Towards Vision Mixture of Experts for Wildlife Monitoring on the Edge [13.112893692624768]
  TinyMLのコミュニティは、通信帯域幅と過剰なクラウドストレージコストを節約するための方法を積極的に提案している。 モバイル・ビジョン・トランスフォーマーにおいて、パッチごとの条件付き計算を初めて行う。 The model on Cornell Sap Sucker Woods 60。
  論文  参考訳（メタデータ） (2024-11-12T14:36:06Z)
• EAS-SNN: End-to-End Adaptive Sampling and Representation for Event-based Detection with Recurrent Spiking Neural Networks [14.046487518350792]
  スパイキングニューラルネットワーク(SNN)は、スパーススパイク通信を通じてイベント駆動の操作を行う。 本稿では,Residual potential Dropout (RPD) と Spike-Aware Training (SAT) を導入する。 我々の方法では、Gen1データセットで4.4%のmAP改善が得られ、パラメータは38%減少し、3つのタイムステップしか必要としない。
  論文  参考訳（メタデータ） (2024-03-19T09:34:11Z)
• ResFields: Residual Neural Fields for Spatiotemporal Signals [61.44420761752655]
  ResFieldsは、複雑な時間的信号を効果的に表現するために設計された新しいネットワークのクラスである。 本稿では,ResFieldの特性を包括的に解析し,トレーニング可能なパラメータの数を減らすための行列分解手法を提案する。 スパースRGBDカメラからダイナミックな3Dシーンをキャプチャする効果を示すことで,ResFieldsの実用性を実証する。
  論文  参考訳（メタデータ） (2023-09-06T16:59:36Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Deep Impulse Responses: Estimating and Parameterizing Filters with Deep Networks [76.830358429947]
  高雑音および地中設定におけるインパルス応答推定は難しい問題である。 本稿では,ニューラル表現学習の最近の進歩に基づいて,インパルス応答のパラメータ化と推定を行う新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T18:57:23Z)
• Deep Learning-based Cattle Activity Classification Using Joint Time-frequency Data Representation [2.472770436480857]
  本稿では,牛の行動・行動の分類と行動モデルの構築にシーケンシャルディープニューラルネットワークを用いた。 本研究の主な焦点は,センサデータの同時時間周波数領域表現の探索である。 3軸加速度計、磁力計、ジャイロスコープのセンサーから収集された300万以上のサンプルからなる実世界のデータセットに基づいています。
  論文  参考訳（メタデータ） (2020-11-06T14:24:55Z)
• A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
  本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。 特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
  論文  参考訳（メタデータ） (2020-03-16T03:43:59Z)

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。