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

Este artigo apresenta o framework de código aberto e reprodutível `ai-pam-pipeline` para detecção de vocalizações de cetáceos baseada em CNN, demonstrando, por meio de experimentos controlados, que escolhas de pré-processamento, como o comprimento da janela FFT, impactam significativamente a generalização entre domínios, ao mesmo tempo em que alcançam alto desempenho em tarefas de detecção binária e multiclasse.

O essencial

Imagine que você está tentando ouvir um tipo específico de pássaro cantando em uma floresta muito barulhenta, mas não pode usar seus ouvidos; você precisa usar um programa de computador para "ver" as ondas sonoras em uma tela. Este artigo apresenta uma nova ferramenta de código aberto (como um livro de receitas gratuito e compartilhado) que ajuda cientistas a fazer exatamente isso para baleias e golfinhos.

Aqui está a explicação do que o artigo faz, usando analogias simples:

1. A "Receita Universal" (O Framework)

Pense na ferramenta dos autores, chamada ai-pam-pipeline, como uma cozinha principal. Em vez de cada cientista construir seu próprio fogão, forno e tigelas de mistura do zero, todos usam essa mesma cozinha pré-construída.

• O Benefício: Você apenas gira um único botão (um arquivo de configuração) para alterar as configurações. Isso significa que, se você preparar um prato hoje e outra pessoa preparar amanhã usando as mesmas configurações do botão, eles obterão exatamente o mesmo resultado. Fim das desculpas de "funcionou na minha máquina". Funciona para qualquer tipo de baleia ou golfinho, não apenas para um tipo específico.

2. O Experimento: Quão Nítida Deve Ser a Lente? (Experimento A)

Os cientistas queriam saber: O modo como transformamos som em imagens importa?

• A Analogia: Imagine tirar uma foto do apito de um golfinho. Você pode tirar uma foto com uma câmera de baixa resolução (embaçada, pixels grandes) ou com uma câmera de alta resolução (nítida, pixels minúsculos). Neste estudo, eles testaram três diferentes "configurações de câmera" (chamadas de comprimentos de janela FFT: 256, 512 e 1024).
• O Resultado em Casa (In-Domain): Quando testaram os golfinhos exatamente no mesmo ambiente onde a ferramenta foi treinada (como tirar fotos no mesmo cômodo), todas as três configurações de câmera funcionaram perfeitamente. Não importava qual eles usavam; os golfinhos eram fáceis de detectar.
• O Resultado na Estrada (Cross-Domain): Quando levaram a ferramenta para um novo ambiente (um oceano diferente com ruído de fundo diferente), os resultados mudaram dramaticamente.
  • A configuração de "baixa resolução" (256) foi a clara vencedora.
  • Por quê? O artigo explica isso com um truque visual legal. Quando o computador pega uma imagem sonora embaçada e de baixa resolução e a estica para caber em um tamanho padrão, as partes "embaçadas" na verdade ficam mais grossas, mais brilhantes e mais fáceis de ver. É como pegar um pequeno esboço embaçado de um golfinho e ampliá-lo em uma parede; as linhas embaçadas se tornam formas ousadas e de alto contraste que o computador pode reconhecer facilmente. As configurações mais nítidas, quando esticadas, na verdade perdiam parte desse contraste útil.

3. A "Pontuação Perfeita" (Limites)

Os cientistas temiam que talvez a configuração de "baixa resolução" só parecesse boa porque estavam trapaceando ao alterar a linha de "aprovado/reprovado" (o limite).

• A Verificação da Realidade: Eles testaram todas as linhas possíveis de aprovado/reprovado de 10% a 90%. O resultado? A configuração de baixa resolução obteve uma pontuação perfeita (precisão de 1,000) não importa onde eles colocassem a linha. Isso prova que a vantagem não foi um truque; foi uma melhoria genuína na forma como o som parecia para o computador.

4. A Parte Difícil: Classificando o Ruído (Experimento B)

A ferramenta não serve apenas para descobrir se há um golfinho; ela também pode dizer que tipo de som ele está fazendo.

• O Desafio: Eles ensinaram a ferramenta a classificar cinco tipos diferentes de sons de golfinhos. Ela fez um ótimo trabalho no geral.
• A Confusão: Às vezes, a ferramenta ficava confusa entre dois sons específicos: "trens de cliques" e "sons de pulso explosivo".
• O Motivo: Isso não foi porque o computador era "estúpido". É porque, biologicamente, esses dois sons são tão semelhantes entre si que até mesmo um especialista humano pode ter dificuldade em distingui-los instantaneamente. A ferramenta está, na verdade, refletindo a realidade da biologia do animal, e não uma falha do software.

A Conclusão

A principal lição é simples: Como você prepara os dados importa mais do que você pensa.
O artigo mostra que uma escolha pequena e frequentemente ignorada (como como você corta o som em pedaços antes de analisá-lo) pode fazer ou quebrar um sistema quando ele tenta funcionar em um novo ambiente. Ao usar seu framework aberto e reprodutível, os cientistas agora podem testar essas escolhas sistematicamente para garantir que seus "detectores de baleias" funcionem em todos os lugares, não apenas no laboratório.

Resumo técnico

Resumo Técnico: Um Framework Aberto e Reprodutível para Detecção de Vocalizações de Cetáceos Baseada em CNN

Declaração do Problema
O Monitoramento Acústico Passivo (PAM) é crítico para a pesquisa de cetáceos, no entanto, o campo frequentemente carece de fluxos de trabalho padronizados e reprodutíveis para detecção e classificação baseadas em Redes Neurais Convolucionais (CNN). Existe uma lacuna específica na compreensão de como as escolhas de pré-processamento — frequentemente tratadas como detalhes secundários de implementação — afetam a generalização do modelo em diferentes domínios acústicos. Além disso, há uma necessidade de kits de ferramentas de código aberto que permitam uma avaliação sistemática de parâmetros, garantindo ao mesmo tempo a reprodutibilidade exata dos experimentos.

Metodologia
O artigo apresenta um framework metodológico de seis estágios implementado como o kit de ferramentas de código aberto ai-pam-pipeline. Este framework foi projetado para ser generalizável entre espécies e é totalmente parametrizado por meio de um único arquivo de configuração, garantindo que as condições experimentais possam ser replicadas exatamente. A metodologia emprega CNNs tanto para detecção binária quanto para classificação multiclasse de vocalizações de cetáceos.

Para validar o framework, os autores conduziram dois experimentos principais:

1. Experimento A (Detecção Binária): Este estudo investigou o impacto do comprimento da janela da Transformada Rápida de Fourier (FFT) ($N_{fft}$) na detecção de assobios de golfinhos-nariz-de-garrafa (Tursiops truncatus). O estudo testou três comprimentos de janela: 256, 512 e 1024. A avaliação foi realizada usando validação cruzada estratificada de 10 dobras em dois conjuntos de dados: um conjunto de dados no domínio (Oltremare, 192 kHz) e um benchmark cruzado de domínio (DCLDE 2022).
2. Experimento B (Classificação Multiclasse): Este experimento demonstrou a capacidade do framework de classificar cinco categorias distintas de vocalizações de T. truncatus.

Principais Resultados

• Desempenho no Domínio: No conjunto de dados no domínio, o desempenho foi uniformemente alto em todas as configurações de $N_{fft}$, com uma pontuação F1 macro de aproximadamente 0,98. A análise estatística (teste de Wilcoxon) não mostrou diferenças significativas entre os comprimentos de janela ($p > 0,05$).
• Desempenho Cruzado de Domínio: Os resultados divergiram significativamente quando aplicados ao benchmark cruzado de domínio. Uma $N_{fft}$ de 256 provou ser significativamente superior a comprimentos de janela maiores ($p = 0,006$, $r$ bisserial de posto = 0,89).
• Mecanismo de Superioridade: Os autores atribuem o desempenho superior do menor comprimento de janela a um "efeito de amplificação por amostragem para cima". Categorias espectrais mais grosseiras (resultantes de uma $N_{fft}$ menor) produzem rastros modulados em frequência (FM) mais largos e de maior contraste após os espectrogramas serem reamostrados bilinearmente para dimensões fixas de imagem para entrada da CNN.
• Invariância de Limiar: A vantagem de $N_{fft} = 256$ foi encontrada como invariante ao limiar. A precisão permaneceu em 1,000 em todas as configurações e limiares de decisão ($\theta \in [0,1, 0,9]$), confirmando que o ganho de desempenho não é um artefato de escolhas específicas de limiar.
• Capacidade Multiclasse: No experimento multiclasse, o framework alcançou uma pontuação F1 macro de 0,843. A análise observou que a confusão interclasse entre trens de cliques e sons de pulso explosivo refletia sobreposição de sinais biológicos e não falha do classificador.

Significado e Alegações
O artigo alega que as escolhas de pré-processamento, frequentemente negligenciadas como detalhes menores de implementação, podem influenciar significativamente a generalização cruzada de domínio em tarefas de PAM. Embora o estudo utilize $N_{fft}$ como um estudo de caso controlado, o significado primário do trabalho reside no próprio framework ai-pam-pipeline. Os autores postulam que este kit de ferramentas permite a avaliação sistemática e reprodutível de parâmetros de pré-processamento arbitrários dentro de um protocolo experimental unificado. Ao fornecer uma solução totalmente parametrizada e de código aberto, o framework visa padronizar como os pesquisadores avaliam e relatam os efeitos de variações metodológicas na detecção de vocalizações de cetáceos.