Reformulación de la Detección de Eventos Bioacústicos: Aprovechamiento del Aprendizaje de Pocos Ejemplos (FSL) con Inferencia Transductiva y Aumento de Datos

La detección de eventos bioacústicos es una tarea exigente que implica reconocer y clasificar los sonidos que los animales producen en sus hábitats naturales. El aprendizaje supervisado tradicional requiere una gran cantidad de datos etiquetados, que son difíciles de obtener en bioacústica. Este artículo presenta un método de aprendizaje de pocos ejemplos (FSL) que incorpora inferencia transductiva y aumento de datos para abordar los problemas de la escasez de eventos etiquetados y pequeños volúmenes de grabaciones. Aquí, la inferencia transductiva altera iterativamente los prototipos de clase y los extractores de características para captar patrones esenciales, mientras que el aumento de datos aplica SpecAugment en las características del espectrograma de Mel para aumentar los datos de entrenamiento. El enfoque propuesto se evalúa utilizando los conjuntos de datos Detección y Clasificación de Escenas y Eventos Acústicos (DCASE) 2022 y 2021. Resultados experimentales exhaustivos demuestran que todos los componentes del método propuesto logran mejoras significativas en la puntuación F del 27% y el 10%, para los conjuntos de datos DCASE-2022 y DCASE-2021, respectivamente, en comparación con enfoques avanzados recientes. Además, nuestro método es útil en tareas de FSL porque se adapta eficazmente a sonidos de diversas especies animales, grabaciones y duraciones.