論文の概要: bacpipe: a Python package to make bioacoustic deep learning models accessible

• arxiv url: http://arxiv.org/abs/2604.11560v1
• Date: Mon, 13 Apr 2026 14:45:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.622926
• Title: bacpipe: a Python package to make bioacoustic deep learning models accessible
• Title（参考訳）: bacpipe: バイオ音響深層学習モデルをアクセス可能にするPythonパッケージ
• Authors: Vincent S. Kather, Sylvain Haupert, Burooj Ghani, Dan Stowell,
• Abstract要約: Bacpipeは、バイオ音響深層学習モデルと評価パイプラインのコレクションで、グラフィカルおよびプログラミングインターフェースを通じてアクセス可能である。 モジュール設計により、インタラクティブな視覚化、クラスタリング、探索を通じてモデルの評価とベンチマークが可能になる。
• 参考スコア（独自算出の注目度）: 2.846561253333858
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 1. Natural sounds have been recorded for millions of hours over the previous decades using passive acoustic monitoring. Improvements in deep learning models have vastly accelerated the analysis of large portions of this data. While new models advance the state-of-the-art, accessing them using tools to harness their full potential is not always straightforward. Here we present bacpipe, a collection of bioacoustic deep learning models and evaluation pipelines accessible through a graphical and programming interface, designed for both ecologists and computer scientists. Bacpipe is a modular software package intended as a point of convergence for bioacoustic models. 2. Bacpipe streamlines the usage of state-of-the-art models on custom audio datasets, generating acoustic feature vectors (embeddings) and classifier predictions. A modular design allows evaluation and benchmarking of models through interactive visualizations, clustering and probing. 3. We believe that access to new deep learning models is important. By designing bacpipe to target a wide audience, researchers will be enabled to answer new ecological and evolutionary questions in bioacoustics. 4. In conclusion, we believe accessibility to developments in deep learning to a wider audience benefits the ecological questions we are trying to answer.
• Abstract（参考訳）: 受動的音響モニタリングを用いて,過去数十年で数百万時間にわたって自然音が記録されている。 ディープラーニングモデルの改善により、このデータの大部分の分析が大幅に加速された。 新しいモデルが最先端を推し進める一方で、その潜在能力を最大限活用するためにツールを使ってそれらにアクセスすることは、必ずしも容易ではない。 ここでは,生物音響深層学習モデルと評価パイプラインの集合体であるbacpipeについて述べる。 Bacpipeは、生体音響モデルの収束点として意図されたモジュラーソフトウェアパッケージである。 2. Bacpipeは、カスタムオーディオデータセットにおける最先端モデルの使用を合理化し、音響特徴ベクトル(埋め込み)と分類器予測を生成する。 モジュール設計により、インタラクティブな視覚化、クラスタリング、探索を通じてモデルの評価とベンチマークが可能になる。 3.我々は新しいディープラーニングモデルへのアクセスが重要であると信じている。 幅広いオーディエンスをターゲットにしたバクパイプを設計することで、研究者たちはバイオ音響学における新たな生態学的および進化的疑問に答えることができる。 結論として,深層学習の発達へのアクセシビリティは,私たちが答えようとしているエコロジー的な疑問に有効であると考えている。

関連論文リスト

• Thinking While Listening: Simple Test Time Scaling For Audio Classification [61.3564313676731]
  本稿では,ニューラルネットワークが日常の音を聴きながら"考える"ことを可能にするフレームワークを提案する。 大規模言語モデルの推論能力の最近の進歩により、我々は2つの中心的な疑問に対処する: (i) 既存の音声分類パイプラインに思考を組み込んで、カテゴリ空間での推論を可能にし、パフォーマンスを向上させる方法、(ii) 思考とテストタイムのスケーリングの両方をサポートするために、新しいアーキテクチャをゼロから設計することができるか。
  論文  参考訳（メタデータ） (2025-09-24T01:17:24Z)
• 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)
• Flow Matching Meets Biology and Life Science: A Survey [65.2146737141455]
  拡散に基づく生成モデリングの強力な代替手段としてフローマッチングが登場した。 本稿では,フローマッチングの最近の進歩とその生物学的領域への応用に関する包括的調査について述べる。
  論文  参考訳（メタデータ） (2025-07-23T17:44:29Z)
• Synthetic data enables context-aware bioacoustic sound event detection [18.607850799822568]
  本研究では,文脈内学習能力を向上させる基礎モデル学習手法を提案する。 我々は、8.8万時間以上の強いラベル付き音声を生成し、クエリ・バイ・サンプル・トランスフォーマー・ベース・モデルを用いて、バイオアコースティック・サウンド・イベントの検出を行う。 トレーニングされたモデルをAPIを通じて利用可能にすることで、生態学者や生態学者にバイオ音響音響イベント検出のためのトレーニング不要のツールを提供する。
  論文  参考訳（メタデータ） (2025-03-01T02:03:22Z)
• Deep Generative Models in Robotics: A Survey on Learning from Multimodal Demonstrations [52.11801730860999]
  近年、ロボット学習コミュニティは、大規模なデータセットの複雑さを捉えるために、深層生成モデルを使うことへの関心が高まっている。 本稿では,エネルギーベースモデル,拡散モデル,アクションバリューマップ,生成的敵ネットワークなど,コミュニティが探求してきたさまざまなモデルについて述べる。 また,情報生成から軌道生成,コスト学習に至るまで,深層生成モデルを用いた様々なアプリケーションについて述べる。
  論文  参考訳（メタデータ） (2024-08-08T11:34:31Z)
• 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)
• 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)
• Transferable Models for Bioacoustics with Human Language Supervision [0.0]
  BioLingualは、対照的な言語-オーディオ事前学習に基づくバイオ音響学の新しいモデルである。 分類群にまたがる1000種以上の呼び出しを識別し、完全なバイオ音響タスクをゼロショットで実行し、自然のテキストクエリから動物の発声記録を検索する。
  論文  参考訳（メタデータ） (2023-08-09T14:22:18Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• Cetacean Translation Initiative: a roadmap to deciphering the communication of sperm whales [97.41394631426678]
  最近の研究では、非ヒト種における音響コミュニケーションを分析するための機械学習ツールの約束を示した。 マッコウクジラの大量生物音響データの収集と処理に必要な重要な要素について概説する。 開発された技術能力は、非人間コミュニケーションと動物行動研究を研究する幅広いコミュニティにおいて、クロス応用と進歩をもたらす可能性が高い。
  論文  参考訳（メタデータ） (2021-04-17T18:39:22Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。