ترجمه فارسی مقاله TinyChirp: تشخیص آواز پرندگان با استفاده از مدل‌های TinyML روی حسگرهای صوتی بی‌سیم کم‌مصرف

چکیده

Monitoring biodiversity at scale is challenging. Detecting and identifying species in fine grained taxonomies requires highly accurate machine learning (ML) methods. Training such models requires large high quality data sets. And deploying these models to low power devices requires novel compression techniques and model architectures. While species classification methods have profited from novel data sets and advances in ML methods, in particular neural networks, deploying these state of the art models to low power devices remains difficult. Here we present a comprehensive empirical comparison of various tinyML neural network architectures and compression techniques for species classification. We focus on the example of bird song detection, more concretely a data set curated for studying the corn bunting bird species. The data set is released along with all code and experiments of this study. In our experiments we compare predictive performance, memory and time complexity of classical spectrogram based methods and recent approaches operating on raw audio signal. Our results indicate that individual bird species can be robustly detected with relatively simple architectures that can be readily deployed to low power devices.

چکیده به فارسی (ترجمه ماشینی)

نظارت بر تنوع زیستی در مقیاس چالش برانگیز است.تشخیص و شناسایی گونه ها در طبقه بندی های ریز دانه نیاز به روشهای بسیار دقیق یادگیری ماشین (ML) دارد.آموزش چنین مدلهایی به مجموعه داده های با کیفیت بالا نیاز دارد.و استقرار این مدل ها در دستگاه های کم مصرف نیاز به تکنیک های فشرده سازی جدید و معماری های مدل دارد.در حالی که روش های طبقه بندی گونه ها از مجموعه داده ها و پیشرفت های جدید در روش های ML سود می برند ، به ویژه در شبکه های عصبی ، استقرار این مدل های مدل ART در دستگاه های کم مصرف دشوار است.در اینجا ما یک مقایسه جامع تجربی از معماری های مختلف شبکه عصبی tinyml و تکنیک های فشرده سازی برای طبقه بندی گونه ها ارائه می دهیم.ما بر روی مثال تشخیص آهنگ پرندگان تمرکز می کنیم ، به طور مشخص ، یک مجموعه داده برای مطالعه گونه های پرنده ذرت ذرت.مجموعه داده ها به همراه کلیه کد و آزمایش های این مطالعه منتشر می شود.در آزمایشات ما عملکرد پیش بینی کننده ، حافظه و پیچیدگی زمان روشهای مبتنی بر طیف سنجی کلاسیک و رویکردهای اخیر که بر روی سیگنال صوتی خام کار می کنند ، مقایسه می کنیم.نتایج ما نشان می دهد که گونه های پرنده انفرادی را می توان با معماری های نسبتاً ساده که می توانند به راحتی در دستگاه های کم برق مستقر شوند ، به طور محکم تشخیص دهند.