論文の概要: PolyChirp: Multi-Species Birdsong Classification Using TinyML on Low-Power Acoustic Sensors
- arxiv url: http://arxiv.org/abs/2608.23101v1
- Date: Mon, 24 Aug 2026 11:06:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:44.031208
- Title: PolyChirp: Multi-Species Birdsong Classification Using TinyML on Low-Power Acoustic Sensors
- Title（参考訳）: PolyChirp:低出力音響センサにおけるTinyMLを用いた複数種鳥の分類
- Abstract要約: PolyChirpは、生物ドメインの専門知識、データセットの自動キュレーション、ニューラルアーキテクチャの最適化、新しいハードウェアを組み合わせたアプローチで、野生の多クラス鳥種検出を実現している。
ニューラルプロセッシングユニット(NPU)を用いた最近のマイクロコントローラとハードウェアアクセラレーションを活用した,新しい設計された小型マルチクラスモデルの予測性能の評価を行った。
その結果、PolyChirpは最大10種の堅牢な分類を同時に達成し、同時に1回の電池充電でフルシーズン稼働しなければならないセンサーのリソースエンベロープに適合していることがわかった。
- 参考スコア（独自算出の注目度）: 0.3908906925636173
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent progress in the field of TinyML has demonstrated that low-power hardware based on microcontrollers can achieve bird species monitoring in real time based on acoustic sensor data for an entire breeding period on a single battery charge. However, the state of the art on low-power microcontrollers was so far limited to binary classification of a single species. In contrast, real fauna monitoring deployments often target multiple species simultaneously. To address this challenge we develop PolyChirp, an approach combining biological domain expertise, automated dataset curation, neural architecture optimization and novel hardware to achieve multiclass bird species detection in the wild. PolyChirp is based on newly designed tiny multiclass models that leverage recent microcontrollers and hardware acceleration with a neural processing unit (NPU). We evaluate the predictive performance of these models, and we measure their computational performance -- memory footprint, latency, energy consumption -- on common microcontroller hardware. Our results demonstrate that PolyChirp not only outperforms state-of-the-art on single species binary classification, but also achieves robust classification of up to 10 species simultaneously, while still fitting with the resource envelope of a sensor that must remain operational in the field for a full season on a single battery charge.
- Abstract（参考訳）: TinyMLの分野での最近の進歩は、マイクロコントローラをベースとした低消費電力ハードウェアが、単一電池充電による全繁殖期間の音響センサデータに基づいて、リアルタイムで鳥種モニタリングを実現できることを実証している。
しかし、低出力マイクロコントローラの最先端技術は、これまでは単一の種の二分分類に限られていた。
対照的に、実際の動物相の監視展開は、しばしば複数の種を同時に標的にしている。
この課題に対処するために,生物ドメインの専門知識,データセットの自動キュレーション,ニューラルネットワークの最適化,新しいハードウェアを組み合わせたPolyChirpを開発した。
PolyChirpは、ニューラル処理ユニット(NPU)を備えた最近のマイクロコントローラとハードウェアアクセラレーションを活用する、新しく設計された小さなマルチクラスモデルに基づいている。
我々はこれらのモデルの予測性能を評価し、その計算性能(メモリフットプリント、レイテンシ、エネルギー消費)を一般的なマイクロコントローラハードウェア上で測定する。
以上の結果から,PolyChirpは単一種の2次分類において最先端だけでなく,1回の電池充電でフルシーズン動作しなくてはならないセンサの資源エンベロープに適合しながら,最大10種の堅牢な分類を同時に達成できることが示唆された。
関連論文リスト
- FLORO: A Multimodal Geospatial Foundation Model for Ecological Remote Sensing Across Sensors and Scales [65.4821703903285]
FLOROは、小さなが高度に多様なリモートセンシングコーパスから転送可能な表現を学習するために設計されたマルチモーダル基礎モデルである。
FLOROは、Sentinel-1、Sentinel-2、SkySAT画像、標高、UAV由来のデータとの不均一な組み合わせによるマスク付きオートエンコーディングを用いて事前訓練される。
我々は、シーン分類、セグメンテーション、回帰タスクにまたがる凍結エンコーダプロトコルを用いて、PANGAEAベンチマーク上でFLOROを評価した。
論文 参考訳（メタデータ） (2026-05-27T08:55:54Z) - Investigating Target Class Influence on Neural Network Compressibility for Energy-Autonomous Avian Monitoring [36.85680419418593]
本研究では,マイクロコントローラユニット(MCU)を直接現場で動作させる機械学習モデルを提案する。
本研究は,複数種の鳥の発見を評価するために,様々な対象クラスのモデルを訓練し,圧縮した。
また、異なるハードウェアプラットフォームに対してベンチマーク結果を提供し、エネルギー自動デバイスをデプロイする可能性を評価する。
論文 参考訳（メタデータ） (2026-02-19T16:24:33Z) - NanoCockpit: Performance-optimized Application Framework for AI-based Autonomous Nanorobotics [50.594459728605734]
小型のフォームファクタ、すなわち10sグラムは、計算資源をSI100ミリワット以下のマイクロコントローラユニット(MCU)に著しく制限する。
本フレームワークは,タスクのシリアライズによるオーバーヘッドをゼロにすることで,クローズドループ制御性能の定量的改善を実現する。
論文 参考訳（メタデータ） (2026-01-12T12:29:38Z) - Lightweight Hopfield Neural Networks for Bioacoustic Detection and Call Monitoring of Captive Primates [0.0]
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。
論文 参考訳（メタデータ） (2025-11-04T17:46:03Z) - TinyChirp: Bird Song Recognition Using TinyML Models on Low-power Wireless Acoustic Sensors [1.0790796076947324]
大規模な生物多様性のモニタリングは難しい。
微細な粒度の種の検出と識別には、高度に正確な機械学習(ML)手法が必要である。
これらのモデルを低消費電力デバイスにデプロイするには、新しい圧縮技術とモデルアーキテクチャが必要である。
論文 参考訳（メタデータ） (2024-07-31T08:57:42Z) - Multi-Modal and Multi-Attribute Generation of Single Cells with CFGen [76.02070962797794]
本研究では、単一セルデータ固有の離散性を保存するフローベースの条件生成モデルであるCellFlow for Generation (CFGen)を紹介する。
CFGenは、全ゲノムマルチモーダル単一セルデータを確実に生成し、重要な生物学的データ特性の回復を改善する。
論文 参考訳（メタデータ） (2024-07-16T14:05:03Z) - ECC-PolypDet: Enhanced CenterNet with Contrastive Learning for Automatic
Polyp Detection [88.4359020192429]
既存の手法では、計算コストのかかるコンテキストアグリゲーションが伴うか、ポリープの事前モデリングが欠如しているため、難解なケースでは性能が低下する。
本稿では,2段階のトレーニングとエンドツーエンド推論フレームワークである Enhanced CenterNet with Contrastive Learning (ECC-PolypDet) を提案する。
Box-assisted Contrastive Learning (BCL) は, クラス内差を最小限に抑え, 前庭ポリープと背景のクラス間差を最大化するため, 隠れポリープを捕捉する。
微調整段階におけるIoU誘導サンプル再重み付けの導入
論文 参考訳（メタデータ） (2024-01-10T07:03:41Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-10-22T02:27:02Z) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳（メタデータ） (2023-05-30T08:24:01Z) - 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。