脉冲间隔归一化对蝙蝠叫声分类影响因模型而异

一项新研究测试了脉冲间隔（IPI，即连续叫声起始之间的时间）变化是否包含蝙蝠物种的区分信息，以及不同深度学习模型对这种信息的敏感度差异。研究者用欧洲蝙蝠录音构建了两组数据集：保留自然 IPI 的一组，以及将 IPI 归一化为 50 毫秒的一组，并分别微调 EfficientNet-B0 和 PaSST 两个模型。 结果显示，IPI 归一化的影响因模型而异：PaSST 的准确率从 71% 微降至 70%，EfficientNet 则从 47% 升至 57%。在两种条件下，PaSST 的准确率均高于 EfficientNet。该研究由 Welmoed R. Eversteijn 等作者发表。 研究者的出发点是检验 IPI 变化是否提供物种区分信息，以及基于 Transformer 的模型是否比卷积神经网络对此更敏感；上述准确率变化即为这一问题的实验结果。

AI 根据报道生成 · 14 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。