基于机器学习鸟声识别算法研究进展

作     者：申小虎 朱翔宇 史洪飞 王传之 Xiaohu Shen;Xiangyu Zhu;Hongfei Shi;Chuanzhi Wang

作者机构：江苏警官学院刑事科学技术系南京210031 国家林业和草原局野生动植物物证技术国家林业和草原局重点实验室南京210023 科大讯飞科技有限公司合肥230088 

出 版 物：《生物多样性》 (Biodiversity Science)

年 卷 期：2023年第31卷第11期

页      面：164-189页

核心收录：

学科分类：0711[理学-系统科学] 12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 07[理学] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0713[理学-生态学] 

基　　金：野生动植物物证技术国家林业和草原局重点实验室开放课题(KLNPC2102) 江苏省交通安全设施智能网联工程研究中心平台资助 

主　　题：鸟声识别 机器学习 深度学习 鸟类多样性 鸟声数据集 评估指标 

摘      要：监测生态系统中鸟类多样性的状态和趋势是一项重大挑战,需要广泛适用的基于机器学习的鸟鸣识别算法。为准确把握基于机器学习的鸟声识别方法的研究现状与发展趋势,本文介绍了鸟鸣识别任务的基本概念,并从模型结构设计角度对基于机器学习的鸟鸣识别算法进行概述。鉴于基于机器学习的鸟鸣识别技术的跨学科性质,根据研究方向将算法分为:概率模型(probabilistic model)、模板匹配(template matching)、时序分析(time series analysis)、迁移学习(transfer learning)、数据融合(data fusion)、集成学习(ensemble learning)、度量学习(metric learning)和无监督聚类(unsupervised clustering)的鸟鸣识别算法。本文回顾了这些方法在完成鸟声识别任务时的技术脉络,以及这些算法的特点和局限性,并比较了它们在鸟鸣识别方面的有效性。本文还讨论了常用的标准化鸟声开源数据集和评估指标。最后,本文指出当前方法所面临的挑战和该领域潜在的未来研究方向。本综述旨在为从事鸟声识别研究的学者和开发人员提供一个全面的参考框架,以便更好地理解现有技术和潜在发展趋势。