Aplicações do aprendizado semi-supervisionado na Ecologia acústica

• Processo: 22/05683-8
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de junho de 2022
• Data de Término da vigência: 31 de maio de 2023
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Maria Cristina Ferreira de Oliveira
• Beneficiário: João Marcos Cardoso da Silva
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Assunto(s): Ecologia acústica Visão computacional Aprendizado semissupervisionado Metodologia e técnicas de computação
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Aprendizado profundo | Aprendizado Semi-supervisionado | Ecologia Acústica | Visão Computacional | Visão Computacional

Resumo

O estudo dos ecossistemas e espécies a partir de gravações de sons coletadas ao longo do tempo, objeto de estudo da Ecologia Acústica, é uma estratégia promissora para a realização do monitoramento autônomo de ambientes naturais em larga escala, devido ao seu baixo custo de implementação e facilidade de obtenção de grandes quantidades de dados. Contudo, o alto custo associado ao rotulamento das gravações obtidas é um desafio à implementação prática de tais técnicas. Por essa razão, muitas vezes a análise das informações obtidas é feita em apenas um pequeno subconjunto de todos os dados disponíveis para os quais especialistas definem rótulos, indicando por exemplo em quais momentos das gravações uma determinada espécie pode ser ouvida. Nesse contexto, o Aprendizado Semi-Supervisionado tem se mostrado efetivo em problemas semelhantes, como o reconhecimento de voz, em que a coleta de dados é mais fácil do que a rotulação. Assim, nosso objetivo é adaptar e desenvolver técnicas auto e semi-supervisionadas para a Ecologia Acústica, em especial para a tarefa de identificação de espécies nas gravações, de modo que seja possível a utilização das grandes quantidades de dados não-rotulados para melhorar a efetividade dos modelos.(AU)