Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
Deep neural networks for automated detection of marine mammal species.
Scientific Reports ( IF 3.8 ) Pub Date : 2020-01-17 , DOI: 10.1038/s41598-020-57549-y Yu Shiu 1 , K J Palmer 2 , Marie A Roch 2 , Erica Fleishman 3 , Xiaobai Liu 2 , Eva-Marie Nosal 4 , Tyler Helble 5 , Danielle Cholewiak 6 , Douglas Gillespie 7 , Holger Klinck 1
Scientific Reports ( IF 3.8 ) Pub Date : 2020-01-17 , DOI: 10.1038/s41598-020-57549-y Yu Shiu 1 , K J Palmer 2 , Marie A Roch 2 , Erica Fleishman 3 , Xiaobai Liu 2 , Eva-Marie Nosal 4 , Tyler Helble 5 , Danielle Cholewiak 6 , Douglas Gillespie 7 , Holger Klinck 1
Affiliation
|
Deep neural networks have advanced the field of detection and classification and allowed for effective identification of signals in challenging data sets. Numerous time-critical conservation needs may benefit from these methods. We developed and empirically studied a variety of deep neural networks to detect the vocalizations of endangered North Atlantic right whales (Eubalaena glacialis). We compared the performance of these deep architectures to that of traditional detection algorithms for the primary vocalization produced by this species, the upcall. We show that deep-learning architectures are capable of producing false-positive rates that are orders of magnitude lower than alternative algorithms while substantially increasing the ability to detect calls. We demonstrate that a deep neural network trained with recordings from a single geographic region recorded over a span of days is capable of generalizing well to data from multiple years and across the species' range, and that the low false positives make the output of the algorithm amenable to quality control for verification. The deep neural networks we developed are relatively easy to implement with existing software, and may provide new insights applicable to the conservation of endangered species.
中文翻译：
用于自动检测海洋哺乳动物物种的深度神经网络。
深度神经网络推进了检测和分类领域，并允许有效识别具有挑战性的数据集中的信号。许多时间紧迫的保护需求可能会从这些方法中受益。我们开发并实证研究了各种深度神经网络，以检测濒临灭绝的北大西洋露脊鲸 (Eubalaena glacialis) 的发声。我们将这些深度架构的性能与传统检测算法的性能进行了比较，以检测该物种产生的主要发声，upcall。我们表明，深度学习架构能够产生比替代算法低几个数量级的误报率，同时显着提高检测呼叫的能力。我们证明，使用来自单个地理区域的记录在几天内记录的深度神经网络能够很好地推广到来自多年和跨物种范围的数据，并且低误报使得算法的输出易于进行质量控制以进行验证。我们开发的深度神经网络使用现有软件相对容易实现，并且可能提供适用于濒危物种保护的新见解。
更新日期：2020-01-17
中文翻译：
用于自动检测海洋哺乳动物物种的深度神经网络。
深度神经网络推进了检测和分类领域，并允许有效识别具有挑战性的数据集中的信号。许多时间紧迫的保护需求可能会从这些方法中受益。我们开发并实证研究了各种深度神经网络，以检测濒临灭绝的北大西洋露脊鲸 (Eubalaena glacialis) 的发声。我们将这些深度架构的性能与传统检测算法的性能进行了比较，以检测该物种产生的主要发声，upcall。我们表明，深度学习架构能够产生比替代算法低几个数量级的误报率，同时显着提高检测呼叫的能力。我们证明，使用来自单个地理区域的记录在几天内记录的深度神经网络能够很好地推广到来自多年和跨物种范围的数据，并且低误报使得算法的输出易于进行质量控制以进行验证。我们开发的深度神经网络使用现有软件相对容易实现，并且可能提供适用于濒危物种保护的新见解。
京公网安备 11010802027423号