cleanUrl: 'paper/BirdNET'

<aside> 📄 Recognizing Birds from Sound - The 2018 BirdCLEF Baseline System

</aside>

<aside> 📄 BirdNET: A deep learning solution for avian diversity monitoring

BirdNET: A deep learning solution for avian diversity monitoring

</aside>

이 논문을 선택한 이유

공부한 머신러닝 모델에 대해 이번에는 어떻게 머신러닝을 현실세계에 적용하고 문제를 해결하기 위해 사용하는지를 알아보고 싶어 논문을 리서치를 하였습니다. 그 중에서, 자연에서 들려오는 새의 울음소리들을 분석해 종과 개체수를 파악하고, 현재 생태계의 건강 상태에 대한 정보를 딥러닝을 통해 분석하고자 한 BirdNET이 의미도 있고 흥미로워서 본 논문을 선택하고 포스트를 작성하였습니다.

1. Introduction

새들은 대부분의 다양한 환경에서 살아가고, 다양한 환경 요인들과 관계를 맺고 있습니다. 또, 새에 대해서 다른 종들보다 비교적 잘 연구되어있기에 생태계의 건강 상태를 파악하는 기초로 활용됩니다.

과거에는 새 종의 분포를 조사하기 위해 사람이 직접 해당 장소에서 소리를 듣고 조사하였지만, 인력의 한계로 자동으로 소리를 저장하는 장치를 활용해 데이터를 수집하여 분석을 진행하였습니다. 그러나, 이를 분석하는 일 역시 여전히 어려운 일이기에, 더 나은 분석 결과를 위해 머신러닝의 도입을 시도하게 되었습니다. 본 논문에서는 CNN 아키텍처를 기초로 하는 분류 모델을 통해 수집된 녹음을 분석하도록 하였습니다.

2. 연구 방법

활용한 데이터

크게 3부류의 데이터를 사용하여 학습과 테스트를 진행하였습니다.

• 새 984종의 울음소리만을 집중하여 녹음한 음성 파일 (Focal recording)
• 자연 환경속에서 소리를 녹음한 음성 파일 (Soundscape recording)
• 새의 울음소리를 제외한 자연, 인공 환경소리 음성 파일 (Google AudioSet)

단일 종에 집중된 녹음본으로 학습한 모델의 경우, 환경 노이즈가 섞였을 때 (soundscape에 대해) 좋은 성능을 보이지 않았고, 환경 노이즈와 함께 학습을 진행하였을 때 더 나은 성능을 보여주었습니다.

데이터의 전처리 및 강화

Neural Network에서 input data로 데이터의 가공이 용이한 spectrogram을 이용하였습니다.