Frog classification using machine learning techniques

Huang, Chenn‐Jung; Yang, Yi-Ju; Yang, Dian-Xiu; Chen, You-Jia

doi:10.1016/j.eswa.2008.02.059

Cited by 134 publications

(99 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…For frogs, one syllable is an elementary acoustic unit for acoustic classification, which is a continuous frog vocalization emitted from an individual [9,14]. Here, we apply Härmä's method to perform syllable segmentation for all frog recordings [7].…”

Section: Syllable Segmentationmentioning

confidence: 99%

See 1 more Smart Citation

Investigation of domain adaptation for acoustic frog species classification

Xie

2018

Preprint

View full text Add to dashboard Cite

Acoustic frog species classification has received much attention for its importance in assessing biodiversity. However, most previous frog call classification models are trained and tested using the data collected from the same area, which greatly limits the model's generalization. In practice, frogs often have regional accents. When training and testing data are collected from different areas, there is an adverse impact on frog call classification performance. To tackle this problem, this paper investigates domain adaptation for classifying frog calls collected from different areas. To evaluate the performance of our proposed methods, two frog call datasets, which are collected from subtropical eastern Australia and tropical north-eastern Australia, are used. Experimental results demonstrate that domain adaptation can significantly improve the weighted F1-score from 72.8% to 85.5%.

show abstract

Section: Syllable Segmentationmentioning

confidence: 99%

“…SVMs have been widely used for classifying animal sounds due to their high accuracy and superior generalization properties [1,9]. To perform the classification, training data is first constructed using the new feature set.…”

Section: Support Vector Machinementioning

confidence: 99%

Investigation of domain adaptation for acoustic frog species classification

Xie

2018

Preprint

View full text Add to dashboard Cite

show abstract

“…Algunos de los tratamientos que se suelen realizar son: filtrado (atenuación del ruido), normalización (estandarización de la intensidad de la señal de las grabaciones) y submuestreo (reducción de la cantidad de datos disminuyendo la frecuencia de muestreo). En los siguientes trabajos se describen algunos ejemplos de preprocesamiento: en [35] se submuestrean las señales a 8kHz y se normalizan en amplitud; en [30] se usa un algoritmo de extracción de señales de ruido de fondo que consiste en la aplicación de filtros en donde el umbral se ajusta dependiendo de la banda de frecuencia, considerando que el nivel de ruido de fondo no es el mismo en cada una de ellas; en [41] se normalizan los valores en el espectrograma y se aplica un filtro para aumentar el 2 Problema de clasificación con dos clases en donde los objetos pueden pertenecer a una clase denominada como clase positiva u objetivo o a otra denominada como negativa o no objetivo.…”

Section: Preprocesamientounclassified

“…En estos casos se requiere localizar los intervalos de tiempo que contienen vocalizaciones de animales en la grabación; este procedimiento se conoce como segmentación. Las vocalizaciones de algunos animales se han jerarquizado, por ejemplo en las aves, éstas se dividen en cuatro niveles: notas, sílabas, frases y cantos [42]; en la literatura se encuentran varios trabajos orientados a la clasificación de sílabas [4], [32], [35], [37], [42], [43]. Los métodos de segmentación más básicos están diseñados para detectar las regiones con mayor energía [44], sin embargo, en otros mé-todos más elaborados se busca detectar trayectorias características en las representaciones tiempo-frecuencia [37], [41], [45].…”

Section: Segmentaciónunclassified

“…La clasificación de vocalizaciones de animales tradicionalmente se ha relegado a enfoques cualitativos, estos requieren de un gran consumo de tiempo y frecuentemente están sesgados por la subjetividad [21]. En esta revisión se usa el término detección en los problemas cuyo objetivo es localizar la ubicación temporal de la emisión de la vocalización de una especie objetivo [4], [22], [23], [34], [35], [50]. El término clasificación se usa para etiquetar un canto [17], [21], [24], [30], para ello se usa un algoritmo conocido como clasificador, cuya entrada corresponde a un conjunto de valores relacionados con atributos o características del objeto; el clasificador requiere entrenarse previamente con un conjunto de datos estadísticamente representativos.…”

Section: Métodos De Clasificaciónunclassified

See 1 more Smart Citation

Reconocimiento automatizado de señales bioacústicas: Una revisión de métodos y aplicaciones

2013

View full text Add to dashboard Cite

ResumenDurante la última década se ha publicado una gran cantidad de estudios de investigación y aplicaciones sobre monitoreo bioacústico automatizado; no obstante, tales estudios están dispersos en la literatura de ingeniería y ciencias biológicas. En este artículo se presentan conceptos fundamentales sobre monitoreo bioacústico automatizado; se revisan, comparan y categorizan -en una taxonomía de técnicas de DSP/PR-las contribuciones de las investigaciones y las aplicaciones publicadas; se sugieren algunas direcciones para investigaciones futuras y se resaltan los retos y las oportunidades relacionados con la instalación de esta tecnología en Colombia.

show abstract

Optimizing passive acoustic sampling of bats in forests

Froidevaux

Zellweger

Bollmann

et al. 2014

Ecology and Evolution

View full text Add to dashboard Cite

Passive acoustic methods are increasingly used in biodiversity research and monitoring programs because they are cost-effective and permit the collection of large datasets. However, the accuracy of the results depends on the bioacoustic characteristics of the focal taxa and their habitat use. In particular, this applies to bats which exhibit distinct activity patterns in three-dimensionally structured habitats such as forests. We assessed the performance of 21 acoustic sampling schemes with three temporal sampling patterns and seven sampling designs. Acoustic sampling was performed in 32 forest plots, each containing three microhabitats: forest ground, canopy, and forest gap. We compared bat activity, species richness, and sampling effort using species accumulation curves fitted with the clench equation. In addition, we estimated the sampling costs to undertake the best sampling schemes. We recorded a total of 145,433 echolocation call sequences of 16 bat species. Our results indicated that to generate the best outcome, it was necessary to sample all three microhabitats of a given forest location simultaneously throughout the entire night. Sampling only the forest gaps and the forest ground simultaneously was the second best choice and proved to be a viable alternative when the number of available detectors is limited. When assessing bat species richness at the 1-km2 scale, the implementation of these sampling schemes at three to four forest locations yielded highest labor cost-benefit ratios but increasing equipment costs. Our study illustrates that multiple passive acoustic sampling schemes require testing based on the target taxa and habitat complexity and should be performed with reference to cost-benefit ratios. Choosing a standardized and replicated sampling scheme is particularly important to optimize the level of precision in inventories, especially when rare or elusive species are expected.

show abstract

Frog classification using machine learning techniques

Cited by 134 publications

References 7 publications

Investigation of domain adaptation for acoustic frog species classification

Investigation of domain adaptation for acoustic frog species classification

Reconocimiento automatizado de señales bioacústicas: Una revisión de métodos y aplicaciones

Optimizing passive acoustic sampling of bats in forests

Contact Info

Product

Resources

About