Pretraining Beyond Birds: Multi-Taxa Acoustic Representation Learning for Pantanal Biodiversity Monitoring
本文介绍了一种用于 BirdCLEF 2026 竞赛的深度学习流水线，该流水线通过利用跨类预训练、揭示伪标签中反直觉的校准质量悖论，并应用分类平滑以提高对 234 个物种的物种识别能力，实现了潘塔纳尔地区顶尖的多分类群生物多样性监测。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
自然界正在发声，但在很大程度上，我们听得不够仔细。在潘塔纳尔湿地——这个世界上最大的热带湿地——那广袤而潮湿的区域内，成千上万种鸟类、青蛙、昆虫和哺乳动物每天都在通过声音进行交流。为了了解这一生态系统的健康状况，科学家们转向了被动声学监测。这种方法包括在野外放置自主录音装置，以捕捉持续不断的生命合唱。这些设备会产生数以 TB 计的音频数据，对于人类耳朵来说，要手动分类这些数据实在太多了。为了从这股数据洪流中理出头绪，研究人员依赖人工智能，特别是经过训练以识别不同物种独特声学特征的深度学习模型。长期以来的挑战在于，这些计算机模型几乎完全是被教导去聆听鸟鸣。虽然鸟类叫声多样且丰富，但它们仅仅是故事的一部分。湿地还充满了昆虫的嗡嗡声、两栖动物的鸣叫声以及哺乳动物的呼唤，这些都是生态健康的至关重要指标，但在之前的聆听系统中却在很大程度上被忽视了。
来自凯姆尼茨工业大学的一个研究小组致力于构建一个能够听到整个合唱，而不不仅仅是鸟鸣的聆听系统。他们参加了 BirdCLEF 2026 竞赛，这是一项旨在识别潘塔纳尔 234 种不同物种的全球性挑战。这项特定任务非常困难，因为目标名单不仅包括 162 种鸟类，还包括 35 种青蛙、28 种昆虫、8 种哺乳动物和 1 种爬行动物。该团队面临着一个重大障碍：他们拥有的训练数据存在严重的偏差。他们可以用来教计算机的标记音频片段中，近 98% 都是鸟类的声音，这使得其他物种能用于学习的内容寥寥无几。为了解决这个问题，他们开发了一种全新的方法，从根本上改变了计算机学习聆听的方式。他们不再仅仅用鸟鸣来训练模型，而是向模型输入了一个包含 9,257 种不同物种（包括青蛙、昆虫和哺乳动物）的庞大声音库。这种更广泛的教育让计算机的核心“大脑”能够识别非鸟类生命的声学特征，从而产生了一个能够以卓越准确度识别全谱系野生动物的系统。
研究人员发现，这种更广泛的训练是他们成功的最重要因素。通过教导模型识别来自五种不同动物类群的声音，与仅针对鸟类训练的模型相比，他们显著提升了识别目标物种的能力。这至关重要，因为他们需要寻找的物种中，有近三分之一不是鸟类。如果没有这种多物种的基础，计算机就会缺乏区分青蛙鸣叫与鸟鸣或昆虫嗡嗡声所需的“词汇量”。该团队还发现了一个关于计算机模型如何从无标签数据中学习的令人惊讶且反直觉的教训。在试图利用来自湿地的海量无标签录音来教导计算机的过程中，他们发现，一个非常自信且经过良好校准的模型，实际上产生的教学材料反而不如一个稍欠自信的模型。那个过于自信的模型往往过于谨慎，会对不确定的声音分配较低的概率，从而导致下一阶段学习的教学内容乏力。相比之下，那个不太自信的模型则会做出更大胆的猜测，而这些猜测证明对训练更有用。这一发现表明，在未来，仅仅让模型变得更加自信并不总是能让它成为更好的“老师”。
为了精炼最终结果，团队加入了一个巧妙的收尾步骤，且无需额外的训练时间。他们意识到，野外的动物并非随机出现；它们根据自己的家族树遵循一定的模式。某种特定类型的青蛙很可能会出现在与其他同属青蛙相同的地点。研究人员编写了程序，让他们的系统能够根据这些已知的关系对预测结果进行微调。如果计算机对某种特定的青蛙鸣叫叫不确定，它就会观察它对该家族中其他青蛙的判断，并据此调整答案。这种将单一物种的预测与其亲缘物种的平均预测相结合的小调整，为系统提供了稳定且免费的准确度提升。最终结果是，该系统在识别物种方面达到了极高的精确度，在所有未获得最高奖项的提交作品中排名第三。团队的工作证明，要真正监测生物多样性，我们必须教会机器去聆听整个生态系统，而不仅仅是那些最善于发声的成员。通过将训练数据扩展到涵盖生命的完整多样性，并理解这些模型的学习特性，科学家们可以构建出能够为自然界提供更清晰、更完整图景的工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。