論文の概要: A Self-Supervised Approach for Minimal-Annotation Hydroacoustic Data Exploration

• arxiv url: http://arxiv.org/abs/2607.07733v1
• Date: Tue, 07 Jul 2026 07:47:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.280657
• Title: A Self-Supervised Approach for Minimal-Annotation Hydroacoustic Data Exploration
• Title（参考訳）: 極小アノテーションハイドロアコースティックデータ探索のための自己監督的アプローチ
• Abstract要約: 監視された検出方法はよく機能するが、大きなラベル付きデータセットを必要とする。 本研究は、低周波設定におけるこの制限に対処する自己教師付き探索パイプラインを提案する。 パイプラインはインド洋メイオット島付近で収集された多年にわたる水音響データセットに適用された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Passive hydroacoustic monitoring often generates large volumes of continuous recordings that are only partially exploited due to the cost of manual annotation. Supervised detection methods perform well but require large labeled datasets, seldom available for rare signals or understudied environments. This work proposes a self-supervised exploration pipeline to address this limitation in low-frequency settings. A Masked AutoEncoder (MAE) is pre-trained on a reconstruction pretext task, then used to extract patch-level representations from spectrograms. Within each spectrogram, adjacent informative patches are aggregated into event-level embeddings, enabling the disentanglement of overlapping events. These embeddings are then clustered at the dataset scale using the dimension reduction algorithm UMAP and the clustering algorithm HDBSCAN to identify hydroacoustic patterns. The pipeline was applied to a multi-year hydroacoustic dataset collected near Mayotte Island, Indian Ocean, containing marine mammal vocalizations, seismo-volcanic signals, and anthropogenic noise. The 317 clusters were manually mapped to 15 hydroacoustic classes or noise in less than one hour. The method was evaluated in two ways. Quantitatively, when used as a classifier, it achieved performance comparable to two existing detectors. Qualitatively, it recovered known seasonal patterns of marine mammal acoustic activity. It also identified patterns of previously unstudied signals, thereby demonstrating its practical value.
• Abstract（参考訳）: パッシブ・ハイドロアコースティック・モニタリングは、手動によるアノテーションのコストのために部分的にしか利用されない大量の連続的な記録を生成することが多い。 監視された検出方法はよく機能するが、大きなラベル付きデータセットが必要であり、まれな信号や調査対象の環境ではほとんど利用できない。 本研究は、低周波設定におけるこの制限に対処する自己教師付き探索パイプラインを提案する。 Masked AutoEncoder (MAE) は、再構成プレテキストタスクで事前トレーニングされ、スペクトログラムからパッチレベルの表現を抽出するために使用される。 各スペクトログラム内では、隣接する情報パッチがイベントレベルの埋め込みに集約され、重複するイベントの切り離しを可能にする。 これらの埋め込みは、次元減少アルゴリズムUMAPとクラスタリングアルゴリズムHDBSCANを用いてデータセットスケールでクラスタ化され、ハイドロ音響パターンを識別する。 このパイプラインは、インド洋マヨット島付近で収集された多年にわたる水音響データセットに適用され、海洋哺乳類の発声、地震・火山信号、人為的騒音を含む。 317個のクラスターは、1時間以内に15個の水音響クラスまたはノイズに手動でマッピングされた。 この方法は2つの方法で評価された。 定量的には、分類器として使用すると、2つの既存の検出器に匹敵する性能を達成した。 定性的には、海洋哺乳類の音響活動の季節パターンを復元した。 また、未調査信号のパターンを特定し、その実用的価値を実証した。

関連論文リスト

• Large-scale bioacoustic detection using semantic segmentation: a deep learning framework applied to fin whale calls in ocean-bottom seismometer recordings [0.003557754373323816]
  オーシャンボトム地震計(Ocean-bottomseisometer, OBS)は、海洋の広い海域で数ヶ月から数年にわたって低周波音を観測する。 OBSスペクトログラムにおけるフィンクジラの20Hz音節を検出する深層学習セマンティックセマンティックセマンティックセマンティクスフレームワークを提案する。 46箇所のOBSから記録された378,912hの録音により、この検出器は630万件の通話を識別し、これまでで最大のフィンクジラ電話カタログを形成した。
  論文  参考訳（メタデータ） (2026-09-08T11:43:41Z)
• Decodable but not structured: linear probing enables Underwater Acoustic Target Recognition with pretrained audio embeddings [1.25052154879199]
  船舶の人為的騒音は水中の音汚染に大きく寄与し、海洋生態系にリスクをもたらす。 パッシブ・アコースティック・モニタリング(PAM)システムはこの目的のために広く展開されており、様々な音環境にまたがる水中記録を何年にもわたって生成している。 水中音響目標自動認識(UATR)の最近の進歩は、ラベル付きデータの不足によって制約される教師あり学習に大きく依存している。 本研究では、UATRにおける転送学習の実証的研究を行い、多様なオーディオ領域から派生した複数の事前学習オーディオモデルを評価する。
  論文  参考訳（メタデータ） (2026-01-13T09:15:31Z)
• The Computation of Generalized Embeddings for Underwater Acoustic Target Recognition using Contrastive Learning [0.7145837421668514]
  海洋環境における音汚染は、海洋の健康に対する脅威を増大させる。 このノイズをモニターすることで、汚染の原因となるソースをマッピングすることができる。 これにより大量のデータ記録が生成され、船舶活動や海洋哺乳類の発声などの音源が混在している。
  論文  参考訳（メタデータ） (2025-05-19T09:37:46Z)
• Enhancing Sample Utilization in Noise-Robust Deep Metric Learning With Subgroup-Based Positive-Pair Selection [84.78475642696137]
  実世界のデータにノイズラベルが存在することは、ディープラーニングモデルの性能に悪影響を及ぼす。 サブグループに基づく正対選択(SGPS)を用いたノイズロストDMLフレームワークを提案する。 SGPSは、ノイズのあるサンプルに対して信頼性の高い正のペアを構築し、サンプルの利用率を高める。
  論文  参考訳（メタデータ） (2025-01-19T14:41:55Z)
• A Novel Score-CAM based Denoiser for Spectrographic Signature Extraction without Ground Truth [0.0]
  本稿では,Score-CAMをベースとした新しいデノイザを開発し,ノイズスペクトルデータからオブジェクトのシグネチャを抽出する。 特に,本論文では,スペクトルトレーニングデータの学習と生成のための,新たな生成逆ネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-10-28T21:40:46Z)
• Histogram Layer Time Delay Neural Networks for Passive Sonar Classification [58.720142291102135]
  時間遅延ニューラルネットワークとヒストグラム層を組み合わせた新しい手法により,特徴学習の改善と水中音響目標分類を実現する。 提案手法はベースラインモデルより優れており,受動的ソナー目標認識のための統計的文脈を取り入れた有効性を示す。
  論文  参考訳（メタデータ） (2023-07-25T19:47:26Z)
• Explainable Artificial Intelligence driven mask design for self-supervised seismic denoising [0.0]
  自己教師付きコヒーレントノイズ抑圧法は、ノイズ統計の広範な知識を必要とする。 本稿では,視覚ネットワークであるブラックボックスの内部を見るために,説明可能な人工知能アプローチを提案する。 ランダムに選択された多数の入力画素に対するジャコビアン寄与の簡易な平均化が、最も効果的なマスクの指標であることを示す。
  論文  参考訳（メタデータ） (2023-07-13T11:02:55Z)
• Latent Class-Conditional Noise Model [54.56899309997246]
  本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。 次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。 提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
  論文  参考訳（メタデータ） (2023-02-19T15:24:37Z)
• 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)
• Discriminative Singular Spectrum Classifier with Applications on Bioacoustic Signal Recognition [67.4171845020675]
  分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。 タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。 提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
  論文  参考訳（メタデータ） (2021-03-18T11:01:21Z)
• Simultaneous Denoising and Dereverberation Using Deep Embedding Features [64.58693911070228]
  ディープ埋め込み特徴を用いた同時発声・発声同時学習法を提案する。 ノイズ発生段階では、DCネットワークを利用してノイズのないディープ埋込み特性を抽出する。 残響段階では、教師なしのK平均クラスタリングアルゴリズムの代わりに、別のニューラルネットワークを用いて無響音声を推定する。
  論文  参考訳（メタデータ） (2020-04-06T06:34:01Z)

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。