Aktives Few-Shot-Learning zur Annotation seltener bioakustischer Merkmale

Die Sammlung und Annotation bioakustischer Daten stellen Forscher vor mehrere Herausforderungen. Die bioakustische Überwachung seltener (spärlicher) oder kryptischer Arten begegnet im Allgemeinen zwei Hauptproblemen. Die Kosten für die Sammlung und Verarbeitung von Felddaten und ein Mangel an beschrifteten Datensätzen für die Zielarten. Die Erkennung von Invasionen invasiver Arten und die Wahrscheinlichkeitstestung der Abwesenheit sind aufgrund der geringen Population dieser Arten besonders herausfordernd. Wir präsentieren eine Methodologie, die speziell für die Analyse seltener akustischer Ereignisse innerhalb langfristiger Feldaufnahmen entwickelt wurde. Dieser Ansatz kombiniert eine wellenletzbasierten Segmentierungsmethode, die automatisch transiente Merkmale aus den Feldaufnahmen extrahiert. Ein Few-Shot-Aktiv-Learning-Empfehlungssystem in einem Mensch-in-der-Schleife-Prozess priorisiert die Annotation von Proben mit geringer Sicherheit. Dieser Prozess kombiniert die Genauigkeit der menschlichen Klassifikation und die Geschwindigkeit computergestützter Werkzeuge, um die Präsenz von Nicht-Zielmerkmalen in den Feldaufnahmen erheblich zu reduzieren. Wir bewerten diesen Ansatz anhand einer Fallstudie zur Identifizierung invasiver Arten. Diese Methodologie erreicht eine Testgenauigkeit von 98,4 % sowie 81,2 % Testgenauigkeit bei der Verwendung von 2-Shot, 2-Weg prototypischem Lernen ohne Feinabstimmung, was eine hohe Leistung unter unterschiedlichen Datenverfügbarkeitskontexten zeigt. Aktives Lernen unter Verwendung von Proben mit geringer Sicherheit erreicht >90 % Testgenauigkeit mit nur 20 Trainingsproben im Vergleich zu 80 Proben ohne aktives Lernen. Dieser Ansatz ermöglicht es Benutzern, benutzerdefinierte Audioklassifizierungsmodelle für jede Anwendung mit seltenen Merkmalen zu trainieren. Das Modell kann einfach für den Einsatz im Feld exportiert werden, was die Echtzeit-bioakustische Überwachung weniger vokaler Arten ermöglicht. Alle Codes und Daten sind verfügbar unter https://github.com/Listening-Lab/Annotator.