Towards Deep Active Learning in Avian Bioacoustics

被动声学监测（PAM）在鸟类生物声学中能够以最小干扰自然栖息地的方式实现成本效益和广泛的数据收集。尽管计算鸟类生物声学有所进展，但深度学习模型在适应实际PAM场景中的不同环境方面仍然面临挑战。这主要是由于注释的稀缺性，需要人工专家进行费力的工作。主动学习（AL）通过查询最具信息量的实例进行标注，降低了注释成本并加快了适应不同场景的速度。本文概述了深度AL方法，介绍了关键挑战，并进行了小规模的试点研究。

论文旨在解决深度学习模型在实际被动声学监测场景中适应多样化环境所遇到的挑战，主要是由于标注数据的稀缺性，需要人工专家进行耗时的标注工作。

论文提出了一种深度主动学习方法，通过查询最具信息量的实例进行标注，从而降低标注成本并加速适应多样化场景。

论文进行了小规模的试验研究，使用了成本较低的被动声学监测技术，提出的深度主动学习方法在标注成本和性能方面都表现出了优越性。未来可以进一步研究如何提高深度主动学习方法的准确性和效率。

近期相关研究包括：1. 'Acoustic Event Detection using Weakly Labeled Data'；2. 'Deep Learning for Bird Song Recognition and Beyond'；3. 'A Review of Deep Learning Models for Bird Song Recognition'。