A Self-Supervised Approach for Minimal-Annotation Hydroacoustic Data Exploration

Resumo Técnico: Uma Abordagem de Autossupervisão para Exploração de Dados Hidroacústicos com Anotação Mínima

Definição do Problema
O monitoramento hidroacústico passivo gera volumes vastos de gravações contínuas de baixa frequência, mas apenas uma fração é explorada devido ao alto custo da anotação manual. As metodologias existentes enfrentam um compromisso: a anotação manual é demorada e dependente do usuário, enquanto os detectores automáticos supervisionados exigem grandes conjuntos de dados rotulados que são raramente disponíveis para sinais raros ou ambientes pouco estudados. Além disso, os paradigmas automatizados tradicionais (tanto supervisionados quanto não supervisionados) frequentemente dependem de conhecimento prévio para visar sinais específicos e estruturados, limitando a exploração a alvos predefinidos e dificultando a descoberta de eventos hidroacústicos desconhecidos.

Metodologia
Os autores propõem um pipeline de exploração autossupervisionada projetado para identificar padrões hidroacústicos recorrentes com mínima anotação manual. O fluxo de trabalho consiste em quatro estágios principais:

1. Pré-treinamento de Autoencoder Mascarado (MAE):

   • Um Vision Transformer (ViT) é treinado dentro de uma estrutura de Autoencoder Mascarado (MAE) em um conjunto de dados amplo e diversificado de espectrogramas hidroacústicos de baixa frequência (compilados de redes do Oceano Índico, 2009–2024).
   • O modelo aprende a reconstruir partes mascaradas de espectrogramas, forçando-o a aprender a estrutura subjacente dos ambientes acústicos (ex: chamados estereotipados de mamíferos marinhos).
   • A arquitetura utiliza um codificador ViT leve (16 camadas) e um decodificador (6 camadas) adaptados para espectrogramas de canal único em escala de cinza.

2. Especialização de Domínio:

   • O modelo pré-treinado é ajustado (fine-tuned) em um conjunto de dados alvo menor (MAHY*2, próximo à Ilha de Mayotte) para se especializar nas características acústicas específicas do ambiente alvo.

3. Extração e Desmembramento de Eventos (Disentanglement):

   • Ao contrário dos métodos que geram um único embedding por janela de espectrograma, este pipeline extrai embeddings de nível de patch a partir do codificador MAE.
   • Descarte de Patches: "Patches vazios" (baixa energia ou baixa ativação) são filtrados para remover o ruído de fundo.
   • Agrupamento de Espectrograma: Os patches adjacentes restantes são fundidos em "eventos" baseados na distância de Chebyshev (fundindo se estiverem separados por $\le$ 2 patches). Este passo desmembra fontes sobrepostas dentro de uma única janela de tempo.
   • Um vetor de embedding representativo é selecionado para cada evento (o patch mais próximo da média dos embeddings do evento).

4. Agrupamento de Nível de Dataset e Mapeamento:

   • Os embeddings de nível de evento são agrupados na escala do dataset. Duas estratégias são comparadas:
     • MAE-K-Means: K-Means seguido de agrupamento hierárquico aglomerativo.
     • MAE-UMAP: Redução de dimensionalidade via UMAP seguido de HDBSCAN.
   • Mapeamento Cluster-Classe: Uma fase de inspeção manual leve (aprox. 1 hora) mapeia os clusters resultantes para classes semânticas (ex: espécies específicas de baleias, fases sísmicas ou ruído) com base na similaridade visual dos espectrogramas representativos.

Principais Contribuições

• Adaptação do MAE: Adaptação bem-sucedida da estrutura de Autoencoder Mascarado (MAE) para espectrogramas hidroacústicos de baixa frequência para aprendizado de representação de nível de patch.
• Desmembramento de Nível de Evento: Introdução de uma estratégia para agrupar patches adjacentes dentro de espectrogramas individuais antes do agrupamento de nível de dataset, abordando o desafio de fontes sobrepostas comuns em dados de baixa frequência.
• Pipeline de Anotação Mínima: Validação de um pipeline prático em um dataset multianual contendo sinais biológicos, geofísicos e antropogênicos, exigindo apenas inspeção manual limitada para gerar resultados interpretáveis.

Resultos
O pipeline foi avaliado no dataset MAHY*2, que inclui vocalizações de mamíferos marinhos (ex: baleias azuis antárticas, baleias de fin), sinais sismo-volcânicos e ruído antropogênico.

• Agrupamento (Clustering): O método identificou 317 clusters. O mapeamento manual agrupou estes em 15 classes hidroacústicas (ou ruído) em menos de uma hora.
• Padrões Temporais: O método reconstruiu com sucesso padrões sazonais conhecidos para mamíferos marinhos (ex: picos bianuais para baleias azuis pigmeias do Sudoeste do Oceano Índico) e o decaimento temporal de sequências sísmicas. Também identificou padrões para sinais anteriormente não estudados (ex: "Und. 42 Hz" e "LF 8 sec pulse").
• Desempenho de Classificação: Quando utilizado como um classificador (agregando detecções de eventos em pontuações horárias de presença/ausência), o método obteve desempenho comparável a dois detectores existentes: um detector baseado em periodicidade (Dréo et al., 2025) e um detector de objetos supervisionado baseado em YOLO (baseline BioDCASE).
  • A abordagem MAE-K-Means geralmente superou a MAE-UMAP e variantes abladas (ex: média de embeddings ou seleção de patches de norma máxima).
  • O pré-treinamento foi considerado crítico para a precisão ideal do agrupamento, embora o modelo ainda pudesse funcionar sem ele para classes específicas.

Significância e Alegações
O artigo alega que esta estratégia de agrupamento de nível de evento e autossupervisionada fornece uma metodologia geral para explorar grandes datasets hidroacústicos com esforço mínimo de anotação. Sua principal significância reside na capacidade de:

1. Aproximar a Detecção: Construir detectores aproximados para sinais conhecidos sem exigir grandes conjuntos de treinamento rotulados.
2. Descobrir Desconhecidos: Identificar e caracterizar padrões acústicos recorrentes que eram anteriormente desconhecidos ou mal documentados, sem depender de conhecimento prévio dos sinais.
3. Escalabilidade: Permitir a construção rápida de séries temporais de atividade de longo prazo a partir de arquivos inexplorados, facilitando a extração de informações de primeira ordem de redes de monitoramento hidroacústico passivo.

Os autores enfatizam que, embora a precisão da classificação por janela possa ser imperfeita, as ocorrências agregadas dos clusters fornecem estimativas confiáveis da atividade hidroacústica sazonal, tornando o método uma ferramenta valiosa para análise exploratória onde dados rotulados são escassos.