- AutorIn
- M.Sc. Stefan Kahl
- Titel
- Identifying Birds by Sound: Large-scale Acoustic Event Recognition for Avian Activity Monitoring
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:ch1-qucosa2-369869
- Übersetzter Titel (DE)
- Vogelstimmen erkennen: Automatische Klassifikation von akustischen Events in großen Datenbeständen
- Schriftenreihe
- Wissenschaftliche Schriftenreihe Dissertationen der Medieninformatik
- Bandnummer
- Band 10
- Datum der Einreichung
- 05.09.2019
- Datum der Verteidigung
- 13.12.2019
- ISBN
- 978-3-96100-110-1
- ISSN
- 2195‐2574 (print)
- 2195-2582 (online)
- Abstract (DE)
- Die automatisierte Überwachung der Vogelstimmenaktivität und der Artenvielfalt kann ein revolutionäres Werkzeug für Ornithologen, Naturschützer und Vogelbeobachter sein, um bei der langfristigen Überwachung kritischer Umweltnischen zu helfen. Tiefe künstliche neuronale Netzwerke haben die traditionellen Klassifikatoren im Bereich der visuellen Erkennung und akustische Ereignisklassifizierung übertroffen. Dennoch erfordern tiefe neuronale Netze Expertenwissen, um leistungsstarke Modelle zu entwickeln, trainieren und testen. Mit dieser Einschränkung und unter Berücksichtigung der Anforderungen zukünftiger Anwendungen wurde eine umfangreiche Forschungsplattform zur automatisierten Überwachung der Vogelaktivität entwickelt: BirdNET. Das daraus resultierende Benchmark-System liefert state-of-the-art Ergebnisse in verschiedenen akustischen Bereichen und wurde verwendet, um Expertenwerkzeuge und öffentliche Demonstratoren zu entwickeln, die dazu beitragen können, die Demokratisierung des wissenschaftlichen Fortschritts und zukünftige Naturschutzbemühungen voranzutreiben.
- Abstract (EN)
- Automated observation of avian vocal activity and species diversity can be a transformative tool for ornithologists, conservation biologists, and bird watchers to assist in long-term monitoring of critical environmental niches. Deep artificial neural networks have surpassed traditional classifiers in the field of visual recognition and acoustic event classification. Still, deep neural networks require expert knowledge to design, train, and test powerful models. With this constraint and the requirements of future applications in mind, an extensive research platform for automated avian activity monitoring was developed: BirdNET. The resulting benchmark system yields state-of-the-art scores across various acoustic domains and was used to develop expert tools and public demonstrators that can help to advance the democratization of scientific progress and future conservation efforts.
- Freie Schlagwörter (DE)
- Vogelstimmen
- Freie Schlagwörter (EN)
- Bioacoustics, Deep Learning, Bird sounds, Machine Learning, Conservation Biology
- Klassifikation (DDC)
- 000
- 006
- Normschlagwörter (GND)
- Bioakustik, Deep learning, Maschinelles Lernen, Naturschutz
- GutachterIn
- Prof. Dr. Maximilian Eibl
- Prof. Dr. Marc Ritter
- BetreuerIn Hochschule / Universität
- Prof. Dr. Maximilian Eibl
- BetreuerIn - externe Einrichtung
- Dr. Holger Klinck
- Verlag
- Universitätsverlag Chemnitz, Chemnitz
- Den akademischen Grad verleihende / prüfende Institution
- Technische Universität Chemnitz, Chemnitz
- Version / Begutachtungsstatus
- publizierte Version / Verlagsversion
- URN Qucosa
- urn:nbn:de:bsz:ch1-qucosa2-369869
- Veröffentlichungsdatum Qucosa
- 02.04.2020
- Dokumenttyp
- Dissertation
- Sprache des Dokumentes
- Englisch