33、鸟类音频识别与背景建模技术解析

鸟类音频识别与背景建模技术解析

一、哥伦比亚鸟类音频物种识别

1.1 分类方法性能评估

在对哥伦比亚鸟类音频进行物种识别时，采用了支持向量机（SVMs）和深度神经网络（DNNs）两种分类器，并通过交叉验证找到了它们的最佳参数。评估指标为Top - 1和平均平均精度（MAP），以特征数量为横轴，性能指标为纵轴进行性能评估。

结果显示，具有5个隐藏层的DNNs比浅层的SVMs表现出更高的性能，且无论使用Top - 1还是MAP指标，这种趋势都保持一致。随着字典中特征数量的增加，性能有所提升。但SVMs在特征过多时性能开始下降，可能是因为这些特征的线性组合无法为分类决策提供更多信息。而DNNs由于其多层结构可以对输入特征进行非线性组合，从而找到更复杂的模式，因此随着特征的增加，性能稳健提升。具体的测试结果如下表所示：
| 分类器 | 特征数量 | Top - 1 | MAP |
| — | — | — | — |
| 支持向量机 | 2048 | 0.12 | 0.18 |
| 深度神经网络 | 4096 | 0.19 | 0.26 |

1.2 可视化实验

对鸟类音频记录进行可视化实验，采用了主成分分析（PCA）、t - 随机邻域嵌入（t - SNE）、等距映射（Isomap）和局部线性嵌入（LLE）四种方法。将所有鸟类音频记录进行可视化，并突出显示了三种选定物种（绿色：axillaris，蓝色：bicolor，品红色：latrans）。

每种方法对音频记录的投影方式不同。其中，Isomap方法最能保留鸟类物种的相似性；LLE将音频记录投影到5个轴上，但不能保留物种相似性；t -