鸟鸣分类的多视图特征融合,Ecological Informatics
鸟类作为生态系统的重要成员，是生态环境的良好监测者。鸟类识别，尤其是鸟鸣识别，越来越受到人工智能领域的关注。目前，传统的机器学习和深度学习在鸟鸣识别中得到了广泛的应用。深度学习不仅可以对鸟鸣的频谱进行分类识别，还可以作为特征提取器。机器学习通常用于对提取的鸟鸣手工特征参数进行分类和识别。作为分类器的数据样本，鸟鸣的特征直接决定了分类器的性能。不同特征提取方法的多视图特征可以获得更完善的鸟鸣信息。所以，为了丰富单一特征的表征能力，获得更好的特征组合方式，本文提出了一种基于鸟鸣分类模型的多视图特征，将卷积神经网络（CNN）提取的深层特征与手工特征相结合。首先，提取了四种手工制作的特征。这些是小波变换（WT）谱、希尔伯特-黄变换（HHT）谱、短时傅里叶变换（STFT）谱和梅尔频率倒谱系数（MFCC）。然后使用 CNN 从 WT、HHT 和 STFT 谱中提取深度特征，并使用最小冗余最大相关性 (mRMR) 来选择最佳特征。最后，利用深度特征和手工特征构建三个分类模型（随机森林、支持向量机和多层感知器），并将两类特征的分类结果概率融合为识别鸟鸣的新特征。以16种鸟类为研究对象，实验结果表明，3个分类器对所提方法的特征分别获得95.49%、96.25%和96.16%的准确率，优于7个单一特征和3个融合特征参与实验。该方法从信号的角度有效地结合了深度特征和手工特征。融合后的特征可以更全面地表达鸟类音频本身的信息，具有更高的分类准确率和更低的维度，可以有效提高鸟类音频分类的性能。
"点击查看英文标题和摘要"
相关知识
基于多维神经网络深度特征融合的鸟鸣识别算法
面向物种及行为分类的鸟鸣信号分析研究
基于多视角多层次对比学习的果园鸟鸣识别,Applied Acoustics
多特征融合的鸟类物种识别方法
信息融合增强鸟类声纹识别研究
毕设文献3（Related）
鸟类物种分类：深度学习在鸟鸣识别中的应用
鸟鸣的机器学习和统计分类将声音声学特征与系统发育联系起来,Scientific Reports
基于自注意力机制时频谱同源特征融合的鸟鸣声分类
水生所在云南高原湖泊—洱海鱼类生态调控研究取得进展
网址: 鸟鸣分类的多视图特征融合,Ecological Informatics https://m.mcbbbk.com/newsview1149086.html
| 上一篇: 百灵的管理和调教 |
下一篇: 鸟类识别Python，基于Ten |
