An Open Reproducible Framework for CNN-Based Cetacean Vocalization Detection in Passive Acoustic Monitoring

Ce papier présente le framework open-source et reproductible `ai-pam-pipeline` pour la détection des vocalisations de cétacés basée sur les CNN, démontrant par des expériences contrôlées que les choix de prétraitement, tels que la longueur de la fenêtre FFT, ont un impact significatif sur la généralisation inter-domaine tout en permettant d'obtenir des performances élevées dans les tâches de détection binaire et multiclasse.

L'essentiel

Imaginez que vous essayez d'écouter un chant d'oiseau spécifique dans une forêt très bruyante, mais que vous ne pouvez pas utiliser vos oreilles ; vous devez utiliser un programme informatique pour « voir » les ondes sonores sur un écran. Cet article présente un nouvel outil open source (comme un livre de recettes libre et partagé) qui aide les scientifiques à faire exactement cela pour les baleines et les dauphins.

Voici une décomposition de ce que fait l'article, en utilisant des analogies simples :

1. La « Recette Universelle » (Le Cadre)

Considérez l'outil des auteurs, appelé ai-pam-pipeline, comme une cuisine maîtresse. Au lieu que chaque scientifique construise son propre fourneau, son four et ses bols à mélanger à partir de zéro, ils utilisent tous cette même cuisine préconstruite.

• L'Avantage : Il suffit de tourner un seul cadran (un fichier de configuration) pour modifier les paramètres. Cela signifie que si vous préparez un plat aujourd'hui et que quelqu'un d'autre le prépare demain en utilisant les mêmes réglages de cadran, ils obtiennent exactement le même résultat. Fini les excuses du genre « ça marchait sur ma machine ». Cela fonctionne pour n'importe quel type de baleine ou de dauphin, pas seulement pour une espèce spécifique.

2. L'Expérience : Quelle netteté pour l'objectif ? (Expérience A)

Les scientifiques voulaient savoir : La manière dont nous transformons le son en images a-t-elle de l'importance ?

• L'Analogie : Imaginez prendre une photo du sifflement d'un dauphin. Vous pouvez prendre une photo avec un appareil photo basse résolution (flou, gros pixels) ou un appareil photo haute résolution (net, petits pixels). Dans cette étude, ils ont testé trois différents « réglages d'appareil photo » (appelés longueurs de fenêtre FFT : 256, 512 et 1024).
• Le Résultat à la Maison (En Domaine) : Lorsqu'ils ont testé les dauphins dans exactement le même environnement où l'outil avait été entraîné (comme prendre des photos dans la même pièce), les trois réglages d'appareil photo ont fonctionné parfaitement. Peu importe lequel ils utilisaient ; les dauphins étaient faciles à repérer.
• Le Résultat sur la Route (Transfert de Domaine) : Lorsqu'ils ont emmené l'outil dans un nouvel environnement (un océan différent avec un bruit de fond différent), les résultats ont changé de manière dramatique.
  • Le réglage « basse résolution » (256) était le grand gagnant.
  • Pourquoi ? L'article explique cela avec un tour de visuel intéressant. Lorsque l'ordinateur prend une image sonore floue et basse résolution et l'étire pour qu'elle tienne dans une taille standard, les parties « floues » deviennent en réalité plus épaisses, plus lumineuses et plus faciles à voir. C'est comme prendre un petit croquis flou d'un dauphin et l'agrandir sur un mur ; les lignes floues deviennent des formes audacieuses et à fort contraste que l'ordinateur peut facilement reconnaître. Les réglages plus nets, lorsqu'ils sont étirés, perdent en fait une partie de ce contraste utile.

3. Le « Score Parfait » (Seuils)

Les scientifiques craignaient que le réglage « basse résolution » ne semble bon uniquement parce qu'ils trichaient en modifiant la ligne « admis/rejeté » (le seuil).

• La Réalité : Ils ont testé chaque ligne possible d'admission/rejet de 10 % à 90 %. Le résultat ? Le réglage basse résolution a obtenu un score parfait (une précision de 1,000) peu importe où ils ont placé la ligne. Cela prouve que l'avantage n'était pas un tour de magie ; c'était une amélioration réelle de la façon dont le son apparaissait à l'ordinateur.

4. La Partie Difficile : Trier le Bruit (Expérience B)

L'outil ne sert pas seulement à déterminer si un dauphin est présent ; il peut aussi vous dire quel type de son il émet.

• Le Défi : Ils ont appris à l'outil à trier cinq types différents de sons de dauphin. Il s'en est très bien sorti dans l'ensemble.
• La Confusion : Parfois, l'outil se trompait entre deux sons spécifiques : les « trains de clics » et les « sons à impulsions explosives ».
• La Raison : Ce n'était pas parce que l'ordinateur était « stupide ». C'est parce que, biologiquement, ces deux sons sont si similaires l'un à l'autre qu'un expert humain pourrait même avoir du mal à les distinguer instantanément. L'outil reflète en fait la réalité de la biologie de l'animal, et non un échec du logiciel.

La Conclusion

La conclusion principale est simple : La façon dont vous préparez les données compte plus que vous ne le pensez.
L'article montre qu'un choix petit et souvent négligé (comme la façon dont vous découpez le son en morceaux avant de l'analyser) peut faire ou défaire un système lorsqu'il tente de fonctionner dans un nouvel environnement. En utilisant leur cadre ouvert et reproductible, les scientifiques peuvent maintenant tester ces choix systématiquement pour s'assurer que leurs « détecteurs de baleines » fonctionnent partout, pas seulement dans le laboratoire.

Résumé technique

Résumé technique : Un cadre reproductible ouvert pour la détection des vocalisations de cétacés basée sur les réseaux de neurones convolutifs

Énoncé du problème
La surveillance acoustique passive (PAM) est cruciale pour la recherche sur les cétacés, pourtant le domaine manque souvent de flux de travail standardisés et reproductibles pour la détection et la classification basées sur les réseaux de neurones convolutifs (CNN). Une lacune spécifique existe dans la compréhension de la manière dont les choix de prétraitement — souvent traités comme des détails d'implémentation secondaires — affectent la généralisation des modèles à travers différents domaines acoustiques. De plus, il existe un besoin de boîtes à outils open source permettant une évaluation systématique des paramètres tout en garantissant une reproductibilité exacte des expériences.

Méthodologie
L'article présente un cadre méthodologique en six étapes implémenté sous la forme de la boîte à outils open source ai-pam-pipeline. Ce cadre est conçu pour être généralisable à différentes espèces et est entièrement paramétré via un seul fichier de configuration, garantissant que les conditions expérimentales peuvent être reproduites exactement. La méthodologie utilise des CNN pour la détection binaire et la classification multiclasse des vocalisations de cétacés.

Pour valider le cadre, les auteurs ont mené deux expériences principales :

1. Expérience A (Détection binaire) : Cette étude a examiné l'impact de la longueur de la fenêtre de la transformée de Fourier rapide (FFT) ($N_{fft}$) sur la détection des sifflements du dauphin à gros nez (Tursiops truncatus). L'étude a testé trois longueurs de fenêtre : 256, 512 et 1024. L'évaluation a été réalisée à l'aide d'une validation croisée stratifiée à 10 plis sur deux jeux de données : un jeu de données intra-domaine (Oltremare, 192 kHz) et un benchmark inter-domaine (DCLDE 2022).
2. Expérience B (Classification multiclasse) : Cette expérience a démontré la capacité du cadre à classer cinq catégories distinctes de vocalisations de T. truncatus.

Résultats clés

• Performance intra-domaine : Sur le jeu de données intra-domaine, les performances étaient uniformément élevées pour toutes les configurations de $N_{fft}$, avec un score F1 macro d'environ 0,98. L'analyse statistique (test de Wilcoxon) n'a montré aucune différence significative entre les longueurs de fenêtre ($p > 0,05$).
• Performance inter-domaine : Les résultats ont divergé de manière significative lors de l'application au benchmark inter-domaine. Une valeur de $N_{fft}$ de 256 s'est avérée nettement supérieure aux longueurs de fenêtre plus grandes ($p = 0,006$, $r$ bisérielle de rang = 0,89).
• Mécanisme de supériorité : Les auteurs attribuent la performance supérieure de la plus petite longueur de fenêtre à un « effet d'amplification par suréchantillonnage ». Des bins spectraux plus grossiers (résultant d'une valeur de $N_{fft}$ plus faible) produisent des traces de modulation de fréquence (FM) plus larges et à plus fort contraste après que les spectrogrammes ont été rééchantillonnés de manière bilinéaire à des dimensions d'image fixes pour l'entrée du CNN.
• Invariance du seuil : L'avantage de $N_{fft} = 256$ s'est avéré invariant par rapport au seuil. La précision est restée à 1,000 pour toutes les configurations et tous les seuils de décision ($\theta \in [0,1, 0,9]$), confirmant que le gain de performance n'est pas un artefact de choix de seuils spécifiques.
• Capacité multiclasse : Dans l'expérience multiclasse, le cadre a obtenu un score F1 macro de 0,843. L'analyse a noté que la confusion inter-classe entre les trains de clics et les sons d'impulsions en rafale reflétait un chevauchement biologique des signaux plutôt qu'un échec du classifieur.

Signification et affirmations
L'article affirme que les choix de prétraitement, souvent négligés en tant que détails d'implémentation mineurs, peuvent influencer de manière significative la généralisation inter-domaine dans les tâches de PAM. Bien que l'étude utilise $N_{fft}$ comme étude de cas contrôlée, la signification principale du travail réside dans le cadre ai-pam-pipeline lui-même. Les auteurs postulent que cette boîte à outils permet l'évaluation systématique et reproductible de paramètres de prétraitement arbitraires au sein d'un protocole expérimental unifié. En fournissant une solution entièrement paramétrée et open source, le cadre vise à standardiser la manière dont les chercheurs évaluent et rapportent les effets des variations méthodologiques dans la détection des vocalisations de cétacés.