ChiroEcho：将蝙蝠自动发声分类扩展到学习的分类法之外

arXiv:2608.18191v1 公告类型：新 摘要：蝙蝠是生态系统健康的关键指标，在整个欧洲都受到保护，因此可靠的种群监测成为保护的优先事项。它们神秘的夜间生活方式使得被动声学监测至关重要，但自动识别仍然很困难，因为回声定位呼叫随着行为和环境的变化以及物种之间的重叠而变化。我们提出了一个深度学习框架，可以联合预测物种和属，并将属预测与推理时的地理物种分布结合起来。当一个区域中仅出现预测属的一种物种时，该框架可以解决学习分类中缺少的物种。这将地理信息重新构建为扩展而不是限制分类器有效分类的手段。使用涵盖 35 个欧洲蝙蝠物种的记录，我们评估了闭集分类，检查了稀疏代表物种的性能估计的不稳定性，并进行了受控的保留原理验证实验。稀有物种分析显示有限的评估数据如何掩盖物种水平的表现，而保留的实验表明属预测和位置可以恢复物种头部无法获得的标签。地理分辨率将操作覆盖范围从 48 种欧洲本土蝙蝠物种中的 35 种扩大到 41 种，覆盖范围从 73% 增加到 85%。据我们所知，这是欧洲蝙蝠自动化分类报告中最广泛的业务覆盖范围。更广泛地说，bat 框架通过将粗略预测与透明的外部约束相结合，提供了解决看不见的细粒度类的原理证明。