CRIMAC PhD-student presenterer ny annoteringsfri metode i akustisk målklassifisering
Ahmets forskning introduserer en modell til dyplæring designet for å automatisk trekke ut akustiske funksjoner, og dermed eliminere behovet for manuell annotering. Inspirert av Self DIstillation with NO Labels (DINO)-modellen, bruker forskningen en selvovervåket læringstilnærming og tester tre forskjellige metoder til databehandling. Resultatene viser at funksjonene som trekkes ut av denne modellen tydelig forbedrer nøyaktigheten til maskinlæringsmetoder ved klassifisering av akustiske målgrupper som tobis og andre fiskearter. Dette forskningsarbeidet viser også potensialet til selvovervåkede teknikker for å forbedre fiskeriakustikkdataanalysen, og bidra til bærekraftig forvaltning av marine ressurser.