蝙蝠是黑夜中沉默的守护者，虽然人类肉眼难以察觉，但它们对整个欧洲生态系统的健康至关重要。它们控制着昆虫种群，迁移养分，并帮助调节食物网，然而它们的夜行习性使得研究它们变得异常困难。由于蝙蝠也受到严格的法律保护，且对环境变化非常敏感，科学家需要可靠的方法来长期追踪它们的种群。最有效的方法是被动声学监测，即利用自动录音设备监听蝙蝠用于导航和捕食的高频回声定位鸣叫声。然而，将这些录音转化为有用数据是一项重大挑战。蝙蝠的鸣叫声会根据动物的行为、飞行位置甚至天气状况而发生剧烈变化，导致不同物种的声音产生重叠和模糊。虽然计算机已经擅长通过鸣声识别鸟类，但教它们去区分听起来极其相似的蝙蝠仍然是一个棘手的难题，其能力往往局限于仅能识别计算机被明确教授过的特定物种。
一个研究团队开发出一种新方法，通过教计算机不仅去倾听物种，而是去倾听更广泛的科属群体，并利用地图来填补空白，从而突破了这一限制。他们的系统名为 ChiroEcho，是一个基于 35 种不同欧洲蝙蝠物种录音训练的深度学习框架。该模型并非试图强迫计算机立即记住每一个物种，而是首先学习识别蝙蝠所属的“属”或更广泛的“科”。这是一个关键步骤，因为尽管两个不同的物种听起来可能几乎完全一样，但它们通常属于同一个科。一旦计算机对所属科别做出了自信的判断，它就会检查录音所在的地理位置。如果计算机确定该蝙蝠属于某个特定科，且地图显示该特定区域只生活着该科下的某一种物种，那么即使系统在训练期间从未听过该特定蝙蝠的声音，也能自信地识别出该物种。
这种方法有效地让计算机能够识别它从未遇到过的蝙蝠。在实验中，研究人员通过完全隐藏训练数据中的两个特定蝙蝠物种来测试这一点。当系统遇到这些隐藏物种的录音时，物种检测部分自然会做出错误的判断，通常会选择一个它曾经见过的、声音相似的近亲。然而，当研究人员应用地理规则时，系统进行了自我修正。通过将科属层级的判断与已知位置相结合，系统成功识别出了这些隐藏物种，并达到了很高的准确率，找回了标准模型部分完全无法获取的标签。这一策略扩展了系统在欧洲范围内的运行能力，将其能识别的本土物种数量从 35 种增加到了该地区 48 种本土物种中的 41 种。
研究人员还发现，仅仅依赖大型数据集有时会掩盖系统在针对稀有动物时的真实表现。当他们仔细观察那些记录样本极少的物种的表现时，结果是不稳定且不可预测的。一次正确的判断或一次错误的猜测就可能使成功率在零与完美之间剧烈波动，这使得人们很难判断计算机是真的在学习，还是仅仅在碰运气。这凸显了保护技术领域一个持久存在的问题：那些最需要监测的蝙蝠，往往是那些可用于训练计算机的数据最少的物种。这个新框架并没有解决数据短缺的问题，但它提供了一种充分利用现有数据的方法。通过将科属层级的预测作为安全网，并让地理信息完成最后的判断，该系统可以在无需为每一次新发现进行重新训练的情况下，为更广泛的物种提供可靠的鉴定。
该项目的成功为自动化野生动物监测指明了一个更广阔的前行方向。它证明了将机器从声音中学习到的知识与人类对动物栖息地的认知相结合，可以创造出比两者单独作用更强大的工具。该系统不需要成为人类专家的完美模仿者；相反，它扮演着一个伙伴的角色，负责处理声音分析中的繁重工作，同时利用简单的、透明的规则来扩展其知识。这种方法可以应用于其他动物，利用不同的生态知识（例如季节性模式或特定的生境关联），来帮助计算机识别它们从未见过的物种。对于欧洲的蝙蝠而言，这意味着一个自动化监测可以覆盖更广领域并保护更多物种的未来，将那片寂静、黑暗的黑夜世界，转变为一个终于被理解的景观。
技术摘要：ChiroEcho
问题陈述
由于欧洲蝙蝠具有隐蔽的夜行性生活方式且受到法律保护，对其进行自动化监测对于生物多样性保护至关重要。然而，通过被动声学监测进行自动识别仍面临挑战。蝙蝠的回声定位鸣叫声会根据行为、栖息地和觅食环境而发生显著变化，导致物种间以及物种内部存在大量的重叠。虽然深度学习改善了声学识别，但大多数现有系统属于“闭集（closed-set）”系统，其预测仅限于训练时定义的固定分类群。这限制了它们在现实场景中的适用性，因为在这些场景中可能会出现缺乏足够训练数据的全新物种或地理分布受限的物种。此外，由于生物声学数据库中存在长尾数据分布，稀有物种的性能评估往往极不稳定。
方法论
作者提出了 ChiroEcho，这是一个深度学习框架，旨在通过在推理阶段整合生态领域知识，将自动化蝙蝠分类的能力扩展到其学习到的分类群之外。
- 数据集与预处理： 模型在 ChirosetEurope2 上进行训练，这是一个包含 3 种欧洲蝙蝠 35 个物种、共 11,517 条录音的精选数据集。该数据集呈现出自然的长尾分布。录音被预处理为 20 秒的分段，重采样至 32 kHz，并转换为对数梅尔谱图（128 个 bin，频率范围 60 Hz–16 kHz）。研究者还构建了一个由非蝙蝠环境声音组成的噪声类，以模拟野外环境条件。
- 模型架构： ChiroEcho 利用共享的 EfficientNet-B3 声学编码器，并配备两个并行的分类头：
- 物种头（Species Head）：预测 35 个已训练物种中的一种。
- 辅助属头（Auxiliary Genus Head）：预测 11 个属中的一种。
模型使用联合损失函数（L=Lspecies+Lgenus）通过二元交叉熵进行端到端训练。研究评估了两种初始化策略：标准的 ImageNet-1k 权重（ChiroEchoIN）和来自 Perch 2.0（一个在多种分类群上训练的生物声学模型）的权重。
- 地理分辨率策略： 其核心创新在于一种在推理阶段扩展操作分类群的规则。当一段录音被分配到特定属且置信度高于阈值（τ）时，系统会查询一个包含“区域–属”映射关系的地理查找表。如果该录音所在的区域仅存在该预测属中的一种物种，系统会将预测结果解析为该特定物种，即使该物种在训练数据中并未出现。这使地理先验从一种约束转变为一种实现分类群扩展的机制。
- 评估协议： 作者评估了 35 个已训练物种的闭集性能（F1 分数、mAP、AUROC）。他们还进行了一项受控留出实验，即从训练集和物种头标签空间中移除了两个物种（Pipistrellus kuhlii 和 P. maderensis）。随后测试了系统通过地理分辨率规则恢复这些“未见”物种的能力。
关键结果
- 闭集性能： 两种初始化策略的表现相当。ChiroEchoIN (ImageNet-1k) 获得了最高的 mAP（物种 0.694，属 0.923）和 AUROC（物种 0.990，属 0.992），而 ChiroEchoPerch 获得了略高的 F1 分数（物种 0.845，属 0.886）。属级指标的表现始终优于物种级指标，反映了区分亲缘关系较近的物种具有难度。
- 稀疏数据的稳定性： 对少于 10 个测试分段的物种进行的分析显示，其性能评估具有高度不稳定性。平均精度（AP）在结合验证集和测试集拆分时表现出显著波动（例如，Myotis emarginatus 的 AP 从 0.004 偏移至 0.335），凸显了利用有限数据可靠评估稀有物种的困难。
- 地理分辨率成功率： 在留出实验中，物种头自然地将未见物种误分类为声学特征相似的同属物种（例如，P. kuhlii 被误认为 P. nathusii）。然而，地理分辨率规则成功恢复了留出分类群的正确物种：
- P. kuhlii（留出，在潘泰莱里亚背景下测试）：录音级准确率为 69.5%。
- P. maderensis（留出，在马德拉背景下测试）：录音级准确率为 95.4%。
- 分类覆盖范围： 通过将地理分辨率规则应用于 35 个已训练物种，该框架的操作覆盖范围从 35 种扩展到了 41 种欧洲原生蝙蝠物种，将覆盖率从 73% 提高到了 85%。
意义与主张
论文声称其展示了迄今为止自动化欧洲蝙蝠分类中最广泛的操作覆盖范围。其主要意义在于，它重新定义了地理信息的作用：不再将其视为限制预测范围在固定集合内的约束，而是将其作为扩展有效分类群的机制。
作者证明了一种“在无歧义时解析”的策略，即粗粒度预测（属）结合透明的外部约束（地理分布），可以唯一确定从未在训练中见过的细粒度类别（物种）。这种方法为在不增加架构复杂性或无需重新训练的情况下扩展层次化分类器提供了原理证明。作者指出，该策略不仅限于蝙蝠或地理领域；它同样适用于任何层次化分类问题，只要存在可靠的粗粒度预测和能够唯一识别更细类别的外部领域约束（如季节性出现、宿主关联）。
论文对局限性的描述保持了克制，承认了稀有物种的性能受限于数据稀缺性，并指出目前的框架依赖于精选的录音，未来需要通过未经处理的真实世界声景进行验证，以评估其对领域偏移（domain shift）的鲁棒性。
每周获取最佳 electrical engineering 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。