DOI Kapitel:
D. Förderung des wissenschaftlichen Nachwuchses
DOI Kapitel:IV. Akademiekonferenzen
DOI Artikel:Klümpers, Barbara: Interdisciplinary multi-species bioacoustics workshop: Akademiekonferenz vom 2. bis 4. Dezember 2019
DOI Seite / Zitierlink:https://doi.org/10.11588/diglit.55176#0410
D. Förderung des wissenschaftlichen Nachwuchses
den verschieden Problemen, mit denen sich Biologen im Bereich der Bioakustik
befassen, hörten wir von den Computerwissenschaftlern, wie sie mit solchen Pro-
blemen umgehen.
Der nächste Teil des Workshops wurde interaktiv gestaltet. Alle Teilnehmer
hatten die Gelegenheit, sich mit den unterschiedlichen bereits vorhanden Pro-
grammen vertraut zu machen: In einer Art ,Speed-Dating‘ stellten die jeweiligen
Entwickler ihr Programm den Kleingruppen vor.
Ein Brainstorming zum Abschluss des ersten Tages identifizierte die dring-
lichsten Themen und vier Arbeitsgruppen wurden gebildet, um über die nächsten
zwei Tage an diesen Problemen zu arbeiten.
Arbeitsgruppen
• Subroutine für die Detektion und Klassifikation in PAMGuard
Um die Detektion und Klassifikation mithilfe von Maschinellem Lernen in
PAMGguard (einer Softwarelösung für passiv akustisches Monitoring) möglich
zu machen und zu vereinfachen, wird eine Subroutine entwickelt, welche Metda-
und Rohdaten für PAMGuard unabhängig von der verwendeten Programmier-
sprache bereitstellt.
• Überlappende Vokalisationen
Es wurde basierend auf einem künstlichen neuronalen Netzwerk eine Methode
entwickelt um effizient überlappende Vokalisationen in Aufnahmen zu finden und
zu extrahieren.
• Annotierungen
Zur Nutzung von akustischen Daten, die online zur Verfügung stehen, wird eine
durchsuchbare Plattform für akustische Annotierungsdaten (Ann-O-Mate) entwi-
ckelt. Eine Beta Version mit zugehöriger Publikation wird Ende 2020 erwartet.
• Artenunabhängige Detektion von Vokalisierungen
Es wurde ein künstliches neuronales Netzwerk zur Erkennung von Nymphensit-
tichlauten entwickelt. Das Netzwerk wurde mit unterschiedlichen Lautgruppen
trainiert (Nymphensittich, Menschenstimmen, Hintergrundgeräusche, andere
Vogelstimmen). Das Modell konnte eine Genauigkeit von über 90% bei der Er-
kennung der Ziellaute erreichen. Im Moment wird das Modell auf weitere Vogel-
und Säugetierarten erweitert. Die Bereitstellung des Codes und einer Gebrauchs-
anleitung4 für unterschiedliche Betriebssysteme wird Ende 2020 erwartet.
412
den verschieden Problemen, mit denen sich Biologen im Bereich der Bioakustik
befassen, hörten wir von den Computerwissenschaftlern, wie sie mit solchen Pro-
blemen umgehen.
Der nächste Teil des Workshops wurde interaktiv gestaltet. Alle Teilnehmer
hatten die Gelegenheit, sich mit den unterschiedlichen bereits vorhanden Pro-
grammen vertraut zu machen: In einer Art ,Speed-Dating‘ stellten die jeweiligen
Entwickler ihr Programm den Kleingruppen vor.
Ein Brainstorming zum Abschluss des ersten Tages identifizierte die dring-
lichsten Themen und vier Arbeitsgruppen wurden gebildet, um über die nächsten
zwei Tage an diesen Problemen zu arbeiten.
Arbeitsgruppen
• Subroutine für die Detektion und Klassifikation in PAMGuard
Um die Detektion und Klassifikation mithilfe von Maschinellem Lernen in
PAMGguard (einer Softwarelösung für passiv akustisches Monitoring) möglich
zu machen und zu vereinfachen, wird eine Subroutine entwickelt, welche Metda-
und Rohdaten für PAMGuard unabhängig von der verwendeten Programmier-
sprache bereitstellt.
• Überlappende Vokalisationen
Es wurde basierend auf einem künstlichen neuronalen Netzwerk eine Methode
entwickelt um effizient überlappende Vokalisationen in Aufnahmen zu finden und
zu extrahieren.
• Annotierungen
Zur Nutzung von akustischen Daten, die online zur Verfügung stehen, wird eine
durchsuchbare Plattform für akustische Annotierungsdaten (Ann-O-Mate) entwi-
ckelt. Eine Beta Version mit zugehöriger Publikation wird Ende 2020 erwartet.
• Artenunabhängige Detektion von Vokalisierungen
Es wurde ein künstliches neuronales Netzwerk zur Erkennung von Nymphensit-
tichlauten entwickelt. Das Netzwerk wurde mit unterschiedlichen Lautgruppen
trainiert (Nymphensittich, Menschenstimmen, Hintergrundgeräusche, andere
Vogelstimmen). Das Modell konnte eine Genauigkeit von über 90% bei der Er-
kennung der Ziellaute erreichen. Im Moment wird das Modell auf weitere Vogel-
und Säugetierarten erweitert. Die Bereitstellung des Codes und einer Gebrauchs-
anleitung4 für unterschiedliche Betriebssysteme wird Ende 2020 erwartet.
412