«Газета.Ru» (gazeta.ru) 07.03.2024
Специалисты МФТИ и Института океанологии РАН разработали нейросеть, которая способна оценить встречаемость дельфинов и характер использования ими исследуемых акваторий по свисту, об этом «Газете.Ru» рассказали в МФТИ.
«В большинстве исследований сейчас нейросети применяют для анализа сигналов крупных морских млекопитающих, например, китов. Их сигналы выделить гораздо проще, и на самом деле для них даже не нужен ИИ. Они обычно громче, и проблема зашумления записи стоит не так остро. Для исследований сигналов дельфинов нейросети также применялись ранее, но пока на уровне классических алгоритмов качество обнаружения было не таким высоким. Мы разработали более совершенный алгоритм и добились более высокого результата: 67% по сравнению с обычными 56-60% точности выделения звуков. Мы продолжаем эту работу, и сейчас, после публикации, мы достигли даже более высокого качества алгоритма», — рассказал «Газете.Ru» старший научный сотрудник Института океанологии РАН и заведующий лабораторией машинного обучения в науках о Земле МФТИ Михаил Криницкий.
Китообразные, к которым относятся, например, киты, дельфины или морские свиньи, играют важную и прежде всего стабилизирующую роль в функционировании морских экосистем. Регулярная оценка их численности, возрастно-половой структуры популяций, определение путей миграций, а также выявление связи распределения китообразных с условиями окружающей среды имеют решающее значение для исследований. Однако визуальный мониторинг морских млекопитающих не так эффективен, поэтому ученые используют пассивный акустический мониторинг, при котором в акваторию опускается подводный микрофон.
Чтобы точно установить, в каком месте лучше записывать звуки животных и отсеять ненужный шум на записях, ученые обучили нейросеть улавливать тональные сигналы или свист китообразных.
Всего база данных для обучения состояла из девяти аудиофайлов. Записи содержали 3208 сигналов дельфинов, размеченных экспертами. Анализ показателей производительности и точности в определении сигналов показал превосходство нейросетевой модели по сравнению с другими широко используемыми подходами.
