Fugu-MT 論文翻訳(概要): MAST: Label-Efficient, Robust, and Generalizable Sound Detection for Biodiversity Monitoring via Masked Audio Pretraining and Self-Training

論文の概要: MAST: Label-Efficient, Robust, and Generalizable Sound Detection for Biodiversity Monitoring via Masked Audio Pretraining and Self-Training

arxiv url: http://arxiv.org/abs/2609.15221v1
Date: Mon, 14 Sep 2026 08:41:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 07:15:06.19216
Title: MAST: Label-Efficient, Robust, and Generalizable Sound Detection for Biodiversity Monitoring via Masked Audio Pretraining and Self-Training
Title（参考訳）: MAST:masked Audio PretrainingとSelf-Trainingによる生物多様性モニタリングのためのラベル効率・ロバスト・一般音検出
Abstract要約: 動物の発声の時間周波数アノテーションは高価で、サイト固有のものであり、大規模に維持することは困難である。本稿では,マスク付きオーディオプリトレーニングと,メルスペクトログラム上の軽量検出器を組み合わせたラベル効率のよい音響検出フレームワークを提案する。熱帯雨林のサウンドスケープ(インドネシア)と地中海の生息域(スペイン)における鳥の声化という,生態学的に異なる2つの領域での性能評価を行った。
参考スコア（独自算出の注目度）: 7.983925207958734
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Passive acoustic monitoring can measure biodiversity at larger scales, but time--frequency annotation of animal vocalizations is expensive, site-specific, and difficult to sustain at scale. We present a label-efficient sound detection framework that combines masked audio pretraining with a lightweight detector on mel spectrograms, then further improves robustness through iterative self-training on unlabeled audio. We first pretrain a ViT-based encoder on unlabeled recordings via masked reconstruction and transfer the encoder to a detection backbone. To better separate animal sounds from confounding background, we add a box-level contrastive loss that pulls matched event regions together while pushing noisy negatives apart. We then apply a two-stage pseudo-labeling curriculum to exploit large unlabeled pools without additional annotation. We evaluate the performance on two ecologically distinct domains: tropical rainforest soundscapes (Indonesia) and bird vocalizations in Mediterranean habitats (Spain). On both domains, masked audio pretraining and contrastive learning consistently improve time--frequency detection under temporal and cross-site distribution shift, and self-training yields further gains in out-of-distribution performance. On the rainforest domain, MAST with self-training achieves +0.22 mAP and +0.24 F1 over the strongest baseline under cross-site shift. On the bird domain, self-training achieves +0.12 mAP and +0.10 F1 over the strongest baseline under cross-site shift. Overall, our results show that MAST can effectively extend self-supervised audio representations from clip-level tasks to robust box-level localization across diverse bioacoustic settings, providing a practical path for biodiversity monitoring with limited labels.
Abstract（参考訳）: 受動的音響モニタリングは、大規模に生物多様性を測定することができるが、動物の発声の時間周波数アノテーションは高価で、サイト固有であり、大規模に維持することは困難である。本稿では,マスク付き音響プリトレーニングとメルスペクトログラムの軽量検出器を組み合わせることで,ラベル付き音響の反復的自己学習によりロバスト性を向上するラベル効率の高い音響検出フレームワークを提案する。まず、マスク付き再構成によりラベルなしレコードにVTベースのエンコーダをプリトレーニングし、そのエンコーダを検出バックボーンに転送する。背景から動物の音をよりよく分離するために,ノイズを抑えながら一致した事象領域をまとめて引き出すボックスレベルのコントラスト損失を加えている。次に、2段階の擬似ラベル付けカリキュラムを適用し、追加のアノテーションを使わずに大きなラベル付きプールを利用する。熱帯雨林のサウンドスケープ(インドネシア)と地中海の生息域(スペイン)における鳥の声化という,生態学的に異なる2つの領域のパフォーマンスを評価した。両領域において、マスク付きオーディオ事前学習とコントラスト学習は、時間的およびクロスサイト分布シフトによる時間周波数検出を一貫して改善し、自己学習は、アウト・オブ・ディストリビューション性能においてさらに向上する。熱帯雨林では,MASTは多地点間移動の下で最強の基準線上で+0.22 mAPおよび+0.24 F1を達成する。鳥類のドメインでは、自己学習は+0.12 mAP と +0.10 F1 を、クロスサイトシフトの下で最強のベースラインで達成する。以上の結果から,MASTは,クリップレベルのタスクから,多様なバイオ音響環境にまたがる頑健なボックスレベルのローカライゼーションまで,効果的に自己監督型音声表現を拡張できることが示唆された。

関連論文リスト

Uncertainty-Aware Crossmodal Fusion for Classification of Animal Behavior [1.6178468864923607]
本研究では,各表現に対するガウス的不確かさを推定し,不確実性重み付けによってそれらを融合する2重ストリームフレームワークUncertainty-Aware Fusion (UAF)を提案する。 UAFは17クラスのSoundWelで59.4%の精度/39.7%のマクロF1を、3クラスのDogBarkデータセットで73.1%の精度/71.5%のマクロF1を達成し、それぞれ15.7%と20.4%の相対的なマクロF1を達成している。
論文参考訳（メタデータ） (2026-08-03T12:05:28Z)
Masked Autoencoders with Limited Data: Does It Work? A Fine-Grained Bioacoustics Case Study [20.469464200788583]
Masked Autoencoders (MAE) は大規模な音声コーパスに強い伝達性を示す。 iNatSoundsの種分類におけるMAE事前学習の系統的研究を行った。以上の結果から,中程度に微粒な生体音響条件下では,事前学習の規模が主観的な設計を担っていることが示唆された。
論文参考訳（メタデータ） (2026-05-13T18:45:08Z)
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)
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)
All Thresholds Barred: Direct Estimation of Call Density in Bioacoustic Data [1.7916003204531015]
本研究では,データ単位の呼び出し密度を推定するための検証手法を提案する。我々はこれらの分布を用いて、分布シフトの対象となるサイトレベルの密度を予測する。
論文参考訳（メタデータ） (2024-02-23T14:52:44Z)
A denoised Mean Teacher for domain adaptive point cloud registration [81.43344461130474]
ポイントクラウドベースの医療登録は、計算効率の向上、強度シフトに対する堅牢性、匿名性保護を約束する。合成変形に関する教師付きトレーニングは代替となるが、ドメインギャップと実際のドメインとの差に悩まされる。本稿では,2つの相補的デノベーション戦略を含む,ポイントクラウド登録のための教師/学生の指導パラダイムを提案する。
論文参考訳（メタデータ） (2023-06-26T15:03:47Z)
PADDLES: Phase-Amplitude Spectrum Disentangled Early Stopping for Learning with Noisy Labels [49.43183579415899]
畳み込みニューラルネットワーク(CNN)は、学習パターンの優位性を示しているが、ラベルノイズに敏感であり、トレーニング中にノイズラベルをオーバーフィットさせる可能性がある。早期停止戦略は、初期のトレーニングフェーズにおけるCNNの更新を回避し、ノイズラベルの存在下で広く採用されている。提案手法は, 実世界のラベル・ノイズ・データセットの合成に有効であることを示す。
論文参考訳（メタデータ） (2022-12-07T05:03:13Z)
AdaStereo: An Efficient Domain-Adaptive Stereo Matching Approach [50.855679274530615]
本稿では,AdaStereoというドメイン適応型アプローチを提案する。我々のモデルは、KITTI、Middlebury、ETH3D、DrivingStereoなど、複数のベンチマークで最先端のクロスドメイン性能を実現している。提案手法は,様々なドメイン適応設定に対して堅牢であり,迅速な適応アプリケーションシナリオや実環境展開に容易に組み込むことができる。
論文参考訳（メタデータ） (2021-12-09T15:10:47Z)
S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
本稿では,ラベルノイズの存在下での分類の問題に対処する。提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
論文参考訳（メタデータ） (2021-11-22T15:49:20Z)
Cross-domain Adaptation with Discrepancy Minimization for Text-independent Forensic Speaker Verification [61.54074498090374]
本研究では,複数の音響環境下で収集したCRSS-Forensicsオーディオデータセットを紹介する。我々は、VoxCelebデータを用いてCNNベースのネットワークを事前訓練し、次に、CRSS-Forensicsのクリーンな音声で高レベルのネットワーク層の一部を微調整するアプローチを示す。
論文参考訳（メタデータ） (2020-09-05T02:54:33Z)
Unsupervised Domain Adaptation for Acoustic Scene Classification Using Band-Wise Statistics Matching [69.24460241328521]
機械学習アルゴリズムは、トレーニング(ソース)とテスト(ターゲット)データの分散のミスマッチの影響を受けやすい。本研究では,ターゲット領域音響シーンの各周波数帯域の1次及び2次サンプル統計値と,ソース領域学習データセットの1次と2次サンプル統計値との整合性を有する教師なし領域適応手法を提案する。提案手法は,文献にみられる最先端の教師なし手法よりも,ソース・ドメインの分類精度とターゲット・ドメインの分類精度の両面で優れていることを示す。
論文参考訳（メタデータ） (2020-04-30T23:56:05Z)

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。