1.比赛简介
1.1 链接
https://www.kaggle.com/c/birdclef-2021
1.2 简介
物以类聚,人以群分。谢天谢地,这样更容易听到他们!全世界有一万多种鸟类。例如,在一个地区识别红翅黑鸟或斑鹪鹩可以提供有关栖息地的重要信息。由于鸟类在食物链中处于高位,它们是环境质量和污染恶化的极好指标。监测生态系统中生物多样性的现状和趋势是一项不小的任务。在机器学习的帮助下,通过适当的声音检测和分类,研究人员可以提高跟踪重要生态系统中生物多样性状况和趋势的能力,使他们能够更好地支持全球保护工作。
机器听觉的最新进展改进了声学数据收集。然而,生成高精度和召回率的分析输出仍然是一个挑战。由于缺乏有效和可靠提取感兴趣信号(如鸟鸣)的有效工具,大部分数据未经审查。
康奈尔鸟类学实验室致力于促进对鸟类和自然世界的理解和保护。该实验室与各行各业的人们一起进行新的科学发现,分享见解,并激发保护行动。为了这次比赛,他们与谷歌研究、LifeCLEF和Xeno canto合作。
在本次比赛中,您将在soundscape录音中自动识别鸟类。您将检查声学数据集,以构建检测器和分类器来提取感兴趣的信号(鸟叫声)。创新解决方案将能够高效可靠地实现这一目标。
鸟类学界每年都在收集数PB的声学数据,但大部分数据尚未得到审查。如果成功,你将帮助研究人员正确地检测和分类鸟类的声音,显著提高他们监测重要生态系统中生物多样性状况和趋势的能力。研究人员将能够更好地根据不断变化的鸟类数量推断出一个地区生活质量的相关因素,从而确定如何才能最好地支持全球保护工作。
2.数据下载
3.baseline代码
3.1.resnet50
- https://www.kaggle.com/kneroma/clean-fast-simple-bird-identifier-training-colab/notebook
- https://www.kaggle.com/kneroma/clean-fast-simple-bird-identifier-inference
2用的1的结果进行继续的训练
3.2
https://www.kaggle.com/hidehisaarai1213/pytorch-training-birdclef2021-starter/notebook