조류 울음소리를 이용한 조류 분류 딥러닝 시스템 개발
Development of the Deep Learning System for Bird Classification Using Birdsong
1
조회
0
다운로드
7
인용
0
참고문헌
키워드
초록
야생조류의 활동과 분포는 생물 다양성을 평가할 수 있는 생물학적 지표가 된다. 조류의 서식지를 식별하기 위해서는 소리를 수집하고 분류하는 것이 필요하다. 새소리를 사용하면 야생조류의 위치나 종류를 쉽게 구별할 수 있다. 최근 머신러닝을 이용한 생물음향자료 분석에 대한 시도들이 늘어나고 있다. 딥러닝을 이용해 조류 울음소리를 분류하고자 한다. 조류 울음소리를 스펙트로그램 이미지로 변환한다. 스펙트로그램 이미지는 Convolutional Neural Network의 입력으로 사용한다. 일반적으로 분류하고자 하는 새소리 dataset은 노이즈를 많이 포함하고 있다. 심지어 노이즈를 포함한 데이터조차 구하기 어렵다. 데이터는 20종의 새를 약 200여 개씩 구했다. transfer learning을 기반으로 CNN모델인 ResNet34, ResNet50, AlexNet을 실험에 사용하였다. 실험 파라미터는 learning rate와 학습횟수이다. 그 결과, ResNet34에서 99.7%의 가장 높은 정확도를 보이고, 그 test에서는 평균 93%의 정확도를 보인다. 따라서 본 논문에서는 ResNet34을 이용해 20종의 조류 울음소리를 분류하는 Deep Learning 시스템을 구현하려고 한다. 이 시스템을 이용하여 조류 인플루엔자의 예방 등 다양한 활동에 도움이 될 수 있다.
Abstract
The activity and distribution of wild birds are biological indicators to evaluate biodiversity. In order to identify bird habitats, collecting and classifying sounds should have to do. Using the bird sound can make easier to distinguish location or type of wild birds. Recently, attempts to analyze bioacoustic data have been risen using the machine learning. We are going to classify the bird songs using deep learning. The bird songs convert into the spectrogram images. Spectrogram images are used for the input of convolutional neural network. In generally the bird song data set for classification contains a lot of noise. Even obtaining the data including noise is difficult. The data is about 200 bird sounds of 20 species. Based on transfer learning, ResNet34, ResNet50 and AlexNet of Convolutional Neural Network are used as the experiment. The experiment parameter is learning rate and epochs. As a result, the ResNet34 shows the highest accuracy of 99.7% and an average of 93% in the test. Therefore, In this paper, we are going to develop the deep learning system that classifies 20 kinds of bird song using ResNet34. By using this system, it can be helpful various activities such as the prevention of avian influenza.
참고문헌 (15)
- H-J. Kim, "A winter waterbird monitoring for AI surveillance", National Institute of Biological Resources (2018), National Institute of Biological Resources
- 박진현, "어종 분류를 위한 CNN의 적용", 한국정보통신학회논문지, 23(1), pp.39~46 (2019), 한국정보통신학회[DOI]
- Y. LeCun, "Convolutional networks for images, speech, and time series", The handbook of brain theory and neural networks, 3361(10), pp.1~14 (1995)
- "What is Convolutional Neural Network?" (2019)[URL]
- "Convolutional Neural Network Abstract" (2019)[URL]
- "Activation functions and it’s types-Which is better?" (2019)[URL]
- 손병직, "CNN 기법을 이용한 저해상도 하수관거의 균열 인식", 한국복합신소재구조학회 논문집, 8(4), pp.58~65 (2017), 한국복합신소재구조학회[DOI]
- K. He, "Deep residual learning for image recognition", Proceedings of the IEEE conference on computer vision and pattern recognition, pp.770~778 (2016)
- A. Krizhevsky, "Advances in neural information processing systems", pp.1097~1105 (2012)
- "Representative CNN models – AlexNet, VGGNet, GoogLeNet, ResNet" (2019)[URL]
- 김성혁, "Influence on overfitting and reliability due to change in training data", The International Journal of Advanced Culture Technology, 5(2), pp.82~89 (2017), 국제문화기술진흥원[DOI]
- N. Srivastava, "Dropout : a simple way to prevent neural networks from overfitting", The journal of machine learning research, 15(1), pp.1929~1958 (2014)
- E. Browning, "Passive acoustic monitoring in ecology and conservation", WWF-UK, ~ (2017)
- "basic_train|fastai" (2019)[URL]
- A study of bird population monitoring in different habitats, "W-H. Hur", National Institute of Biological Resources, ~ (2018)