WavRAN-小波残差注意力网络用于检测野外录音中的重叠鸟类物种

《Ecological Informatics》:WavRAN-wavelet residual attention networks for detecting overlapping bird species in field recordings

【字体: 大 中 小 】 时间:2026年07月10日 来源:Ecological Informatics 8.5

编辑推荐:

  鸟类发声的自动分析正成为生物多样性监测、保护工作和鸟类行为研究的强大工具。在本研究中,研究人员评估了小波残差注意力网络(Wavelet Residual Attention Networks, WavRAN)用于从叫声中识别多种鸟类物种。该方法将小波变换(包括

  
鸟类发声的自动分析正成为生物多样性监测、保护工作和鸟类行为研究的强大工具。在本研究中,研究人员评估了小波残差注意力网络(Wavelet Residual Attention Networks, WavRAN)用于从叫声中识别多种鸟类物种。该方法将小波变换(包括Haar和Mexican-Hat小波)应用于梅尔频谱图(mel spectrograms),捕获不同尺度的模式。然后,利用带有注意力机制(attention mechanisms)的残差卷积神经网络(Residual Convolutional Neural Network, ResCNN)分析这些变换后的特征,这有助于模型聚焦于鸟类叫声中最具信息量的部分。所提出的模型ResCNet+CA优于其他方法,在Mexican-Hat和Haar小波变换下分别取得了0.68和0.70的宏F1分数(macro F1-scores)。通过使用Xeno-canto鸟类声音数据库,该研究证明WavRAN能够提供准确的、实时的鸟类识别,为生态监测、保护规划和大规模生物多样性研究提供实际支持。
论文解读文章

**研究背景与问题**

生物声学(Bioacoustics)是研究动物声音的学科,对于理解生态系统功能和物种行为具有重要意义。鸟类是生态系统的关键组成部分,其种群变化能快速反映环境变化,因此对鸟类叫声的自动识别是生物多样性监测和保护规划的重要工具。然而,现有基于深度学习的鸟类叫声分类模型多针对孤立叫声表现良好,但当多种鸟类同时发声(如晨鸣或密集鸟类群落)时,声音信号严重重叠,导致模型难以区分。这种重叠叫声在自然栖息地中普遍存在,给多标签分类(multi-label classification)带来巨大挑战。传统卷积神经网络(CNN)虽然能从频谱图提取空间信息,但容易忽略关键的谱特征,且缺乏应对多尺度变化的能力。为此,研究人员提出专门架构,通过整合小波变换(wavelet transforms)、残差连接(residual connections)和注意力机制(attention mechanisms),以提升对重叠叫声的识别能力。

**研究内容与结论意义**

研究人员提出WavRAN(小波残差注意力网络)框架,将Mexican-Hat和Haar小波变换应用于梅尔频谱图,结合残差卷积网络和空间/通道注意力机制,用于多标签鸟类物种分类。使用Xeno-canto数据库(10个物种,训练集1078个孤立叫声,测试集434个重叠音频文件),并通过SpecAugment数据增强扩充训练数据。实验表明,采用通道注意力的ResCNet+CA模型性能最佳,在Mexican-Hat和Haar小波下分别取得0.68和0.70的宏F1分数,显著优于现有基线模型(如Grill和Schlüter模型F1分数0.45~0.48)。该研究证明多尺度谱分析与注意力机制可有效解决重叠叫声的多标签分类难题,为实时生态监测、保护规划和大规模生物多样性研究提供可靠技术支撑。论文发表在《Ecological Informatics》。

**关键技术方法**(不超过250字)

该研究采用以下关键技术方法:(1)**小波变换多尺度特征提取**:对梅尔频谱图分别应用Mexican-Hat和Haar小波变换,获取不同尺度的近似系数和细节系数,捕捉光谱突变与平滑变化。(2)**残差卷积网络(ResCNet)**:通过跳跃连接保留梯度,学习残差映射,增强深层特征表达。(3)**注意力机制**:集成空间注意力(Spatial Attention, SA)或通道注意力(Channel Attention, CA),前者突出重要时空区域,后者加权重要特征通道。(4)**顺序聚合策略**:将测试音频切分为1.5秒片段,对每个片段输出概率,通过求和与归一化得到最终分类结果。(5)**数据增强**:采用SpecAugment对梅尔频谱图进行时间掩码、频率掩码和时间扭曲。样本来源于Xeno-canto数据库,包含10种鸟类(Asian Koel、Blue Jay等)的音频文件。

**研究结果**

**6. Analysis of results**

根据实验统计,所有模型的参数均约为22.8M(百万),训练时间从4.2小时(ResCNet)到5.7小时(ResCNet+CA)不等。性能评估采用宏F1分数、Hamming损失和精确匹配率。在10个物种中,ResCNet+CA(通道注意力)模型表现最优:Mexican-Hat小波下宏精确率0.69、宏召回率0.69、宏F1分数0.68;Haar小波下宏精确率0.69、宏召回率0.70、宏F1分数0.70。具体物种间,House Crow(HC)和Western Wood Pewee(WW)的F1分数最高(分别为0.85和0.86),而Blue Jay(BJ)和Eurasian Owl(EO)的F1分数较低(分别为0.45和0.59~0.63)。Haar小波整体优于Mexican-Hat,且在通道注意力模型下错误分类更少。混淆矩阵显示,Haar ResCNet+CA对多数物种的误判率更低。此外,该模型在精确匹配率上达到55.05%,Hamming损失为29.97%,优于其他配置。

**讨论总结与结论翻译**

**讨论总结**:

**7.1 Effect of wavelet-based feature representation**:小波变换(特别是Haar小波)能有效捕捉鸟类叫声中的频谱突变和边缘结构,多尺度分解有助于分析不同时频分辨率的叫声模式,优于仅使用常规频谱图。

**7.2 Impact of attention mechanisms**:注意力机制进一步提升性能,通道注意力(CA)比空间注意力(SA)更有效,因为CA能选择性增强判别性谱通道。Haar ResCNet+CA获得最优宏F1分数0.70。

**7.3 Class-wise performance differences**:不同注意力机制对物种表现不同,SA对Red Lapwing等物种更优,而CA对多数物种更优,说明应针对物种特性选择注意力策略。

**7.4 Implications for bioacoustic monitoring**:WavRAN框架能够处理重叠叫声,适用于被动声学监测,可提高物种检测可靠性,减少人工标注工作量,为偏远栖息地的大规模生态研究提供自动化工具。

**7.5 Ecological interpretation of classification results**:分类困难物种(如Blue Jay)因其叫声变异大、谱模式重叠多;易分物种(如House Crow)具有清晰谱特征,提示监测系统需考虑物种特异性叫声行为。

**7.6 Limitations and future work**:当前仅覆盖10个物种,现实环境包含更多挑战(噪声、回响、季节变化等),未来需扩展数据集、探索更多小波函数和先进注意力机制,并在真实场景中评估。

**研究结论翻译**:

该研究证明了WavRAN在多标签鸟类物种分类中的有效性。通过将小波变换(特别是Haar和Mexican-Hat小波)应用于梅尔频谱图,该方法引入频谱特征的多尺度分析,使模型能够更好地捕捉鸟类叫声的时频变化。这些小波变换后的频谱图作为残差CNN的输入,并集成空间和通道注意力机制,使网络能够突出信息丰富的时频区域和特征通道。在评估的模型中,ResCNet+CA表现最佳,使用Mexican-Hat和Haar小波变换分别取得了0.68和0.70的宏平均F1分数,证明了所提出框架在多标签分类中的有效性。此外,该方法在自动化生物多样性监测系统中具有潜在应用,从被动声学记录中可靠的多物种检测对生态研究和保护至关重要。该框架可集成到实时或大规模生物声学监测平台,支持长期野生动物观察和栖息地评估。未来工作将聚焦于提高对更大、更多样化声学数据集的可扩展性,探索额外的小波函数和高级注意力机制,并在嘈杂、重叠的鸟类叫声的真实监测场景中评估模型。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号