(516) 576-2360

Presentadores

Dr. Andrew Barnard, Penn State; Dr. Timothy Havens, Michigan Tech; Steven Whitaker, Michigan Tech

Abstract

El entorno acústico submarino es complejo de modelar de una manera correcta. Agrega una cobertura de hielo como en el Ártico, o los Grandes Lagos y el problema se vuelve más complejo por la naturaleza variable del hielo en el tiempo, la no linealidad, acoples estructurales, y la no homogeneidad de la capa superior. Los modelos basados en datos pueden aprender estos efectos, clasificar y detectar con mayor precisión las fuentes acústicas submarinas en comparación a los modelos de propagación tradicionales. Hablaremos acerca de los experimentos realizados en Lago Superior, tanto en hielo como en aguas abiertas usando sensores vectoriales acuáticos y como a través de machine learning podemos mejorar los resultados. Discutiremos y compararemos datos de diferentes tipos de algoritmos incluido diferentes arquitecturas de redes neuronales profundas como las CNN, RNN, Transformer y Vision Transformer.

Recursos útiles referenciados

Paper: Recurrent networks for direction-of-arrival identification of an acoustic source in a shallow water channel using a vector sensor – Whitaker, Barnard, Andersen, Havens: https://asa.scitation.org/doi/10.1121/10.0005536

Webinar: Using Directional Sensors for Tracking and Studying Marine Mammal and Coral Reef Bioacoustics – Aaron Thode: https://player.vimeo.com/video/654148574

Paper: Multi-target 2D tracking method for singing humpback whales using vector sensors – Tenorio-Hallé, Thode et al.: https://asa.scitation.org/doi/10.1121/10.0009165

Machine learning in acoustics: Theory and applications – Michael Bianco
Webinar: https://player.vimeo.com/video/696998864
Paper: https://asa.scitation.org/doi/10.1121/1.5133944


La charla se encuentra disponible en los siguientes videos, cambiando solo el idioma (primero con traducción simultánea al español y el segundo con el original en inglés).