[论文解读] Bi-class classification of humpback whale sound units against complex background noise with Deep Convolution Neural Network

Dorian Cazau, Riwal Lefort+3 more|arXiv (Cornell University)|Mar 31, 2017

Marine animal studies overview参考文献 9被引用 7

一句话总结

本文提出一种基于预训练卷积神经网络（CNN）特征的深度学习方法，用于在复杂水下背景噪声中分类座头鲸叫声单元。通过使用ImageNet预训练的VGG-F网络从频谱图中提取高层特征，并结合线性支持向量机（SVM），该方法在分类准确率上分别比PamGuard和PLCA系统高出+12%和+7%，尤其在低信噪比（SNR）条件下表现更优。

ABSTRACT

Automatically detecting sound units of humpback whales in complex time-varying background noises is a current challenge for scientists. In this paper, we explore the applicability of Convolution Neural Network (CNN) method for this task. In the evaluation stage, we present 6 bi-class classification experimentations of whale sound detection against different background noise types (e.g., rain, wind). In comparison to classical FFT-based representation like spectrograms, we showed that the use of image-based pretrained CNN features brought higher performance to classify whale sounds and background noise.

研究动机与目标

• 解决在以地质声、生物声和人为噪声为主导的复杂时变水下声景中检测座头鲸鸣叫的挑战。
• 通过利用深度学习实现自动、分层的特征学习，克服手工设计特征在动态海洋环境中的局限性。
• 评估基于图像的预训练CNN特征在区分鲸鱼叫声单元与多种背景噪声类型（如风声、雨声、船舶交通、合唱歌声）方面的有效性。
• 在不同信噪比（SNR）条件下，将所提出的CNN方法与PamGuard和PLCA等成熟系统在检测准确率方面进行比较。

提出的方法

• 使用快速傅里叶变换（FFT）生成2秒音频段的频谱图，频率分辨率为2048个频点，并将其转换为256×256像素的RGB图像。
• 采用ImageNet预训练的VGG-F CNN作为特征提取器，移除最后的分类层，使用最后一个全连接层输出的4096维特征作为表征。
• 将CNN提取的特征输入线性支持向量机（SVM），采用径向基函数（RBF）核，对鲸鱼叫声（1）与背景噪声（0）进行二分类。
• 训练与评估使用一个数据集，其中包含1500个手工标注的座头鲸叫声单元，以及四种背景噪声类型：风声、雨声、海洋交通和歌声合唱。
• 信噪比（SNR）在-10 dB至10 dB之间变化，以评估在真实水下条件下的鲁棒性。
• 通过混淆矩阵和六组不同噪声条件实验（E1–E6）中的分类准确率来评估性能。

实验结果

研究问题

• RQ1 从频谱图中提取的预训练CNN特征是否能在复杂水下噪声中优于传统基于FFT的表征，实现对座头鲸叫声单元的检测？
• RQ2 所提出的CNN方法在不同背景噪声类型（如风声、雨声、船舶交通、合唱歌声）下，于不同SNR水平下的表现如何？
• RQ3 在真实水下声学条件下，所提出方法与PamGuard和PLCA等成熟系统相比，其相对分类准确率如何？
• RQ4 使用深度网络学习的分层特征是否能提升对时变多源环境噪声的鲁棒性，从而改善海洋生物声学中的检测性能？

主要发现

• 使用基于图像的预训练CNN特征（特别是VGG-F）显著提升了分类性能，相比传统基于FFT的频谱图，正确分类率提高了+12%，优于PamGuard系统。
• 与基于PLCA的系统相比，CNN方法在正确分类率上高出+7%，表明其在复杂背景噪声下具有更强的鲁棒性。
• 即使在低信噪比水平（如-10 dB）下，该方法仍保持高性能，表明其对信号质量下降具有极强的适应能力。
• 在E1–E6实验中，混淆矩阵显示所有噪声类型下真阳性率均较高，假阳性率较低，尤其在SNR = 0 dB和10 dB时表现稳定。
• 在所测试模型（VGG-F、VGG-M、VGG-S）中，VGG-F架构表现最佳，证实其适用于本任务。
• 预训练CNN特征与线性SVM的结合提供了一种紧凑、高效且可泛化的解决方案，适用于真实水下环境中鲸鱼叫声的检测。