📄 脉冲间隔变化是否帮助蝙蝠声音分类：一篇受控对比解读
英文题目：Effects of interpulse-interval variation on deep-learning classification of bat vocalizations
标签：#音频分类 | #SFT | #生物声学监测 | #模型评估
评分：6.1/10 | 创新 1/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.5/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5
👥 作者与机构
- Welmoed R. Eversteijn：机构信息未在 arXiv HTML 中可靠披露
- Burooj Ghani：机构信息未在 arXiv HTML 中可靠披露
- A. Leonie Baier：机构信息未在 arXiv HTML 中可靠披露
- Dan Stowell：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
蝙蝠物种自动分类输入为两秒野外录音片段，输出为16个类别标签中的一个，难点是同属物种叫声形态重叠且叫声结构随搜寻到捕食行为连续变化。从欧洲蝙蝠录音挑选含多个连续叫声的两秒片段导出为WAV，保留原始叫声起始间隔构成自然条件，再把同一来源录音的相邻叫声起始点重排为50毫秒等间隔构成配对归一化条件，同时保留叫声频谱内容。两类片段再分别转为线性频谱图与梅尔频谱图，送入卷积流水线卷积神经网络（Convolutional Neural Network，CNN）代表EfficientNet-B0与Transformer代表PaSST做全参数微调，使频谱形态与间隔排布成为模型可学习的输入。评测沿同一数据链展开：先在各自条件下做五折交叉验证估计同分布性能，再把分别在两种条件下训练的模型放在同一固定自然测试集上比较迁移损失，同时把预训练分类器BatDetect2与BAT按录音级预测规则直接在两种条件下评测。在同条件五折验证中PaSST准确率为自然条件71.0%对归一化条件70.0%，EfficientNet-B0为47.0%对57.0%，PaSST在两种条件下均高于EfficientNet-B0。跨到自然录音时PaSST准确率从65%降至57%，EfficientNet-B0从54%降至50%，而BatDetect2与BAT在全部物种上均为自然条件28.0%对归一化条件27.0%，归一化未带来实质增益。结论仅限于两秒片段内相邻叫声起始间隔这一种时间变化，不涉及叫声顺序、形态渐变或更长行为节律，且每物种仅7至21段、每条件共251段，归一化插补或删除背景音可能引入间隔之外的声学变化，跨条件下降也不能确证完全由间隔本身引起。训练使用两块NVIDIA A40图形处理器但原文未披露训练、推理或部署成本。
🔗 开源与复现资源
代码相关资源：https://github.com/welmoed505/thesis-bat-sound-classifiers.git → https://github.com/welmoed505/thesis-bat-sound-classifiers — 链接可访问（HTTP 200）
第三方资源：https://doi.org/10.5281/zenodo.20773227 → https://zenodo.org/records/20773227 — 链接可访问（HTTP 200）
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
要解决的野外任务是什么
论文面对的是被动声学监测中的蝙蝠物种分类。输入是野外连续录音中截出的 2 秒片段，里面通常包含一串回声定位叫声；目标是判断这段录音属于哪个物种；必须保留的信息包括单个叫声的频率随时间变化形状，以及叫声在时间轴上的排列；输出是一个物种标签。
难点在于同一物种在搜索、接近、捕获不同行为阶段会改变叫声长短和带宽，不同物种的叫声因此在特征空间上重叠。例如一个很宽带的叫声，可能是某个鼠耳蝠在搜索早期发出的，也可能是另一种鼠耳蝠在接近晚期发出的。如果只看单个脉冲，很难区分。论文猜想，脉冲间隔，也就是相邻 2 次叫声起始点之间的时间，可能标记了序列在行为进程中的位置，从而提供额外的物种线索。
读这张示意图时，先把下方长条频谱图当作时间轴，从左到右观察叫声由稀疏变密集、由长变短的过程，再对照行为阶段标签理解为什么间隔会变化。
看图路径： 1. 先看下方频谱图从左到右叫声如何变密、形状如何变短变宽；2. 对照下方 search、approach、capture 三段标签理解行为阶段；3. 注意上方三张蝙蝠照片仅示意行为阶段，并非该段声音的同一种蝙蝠
论文图 1。原论文 Figure 1:：“Spectrogram of a bat echolocation sequence illustrating the temporal progression from search to approach and capture (terminal buzz), and the corresponding changes in call…”。
上图下方是约 200 毫秒范围的叫声序列频谱示意，上方 3 张照片分别示意搜索、接近和捕获 3 种行为，但论文明确说明照片中的蝙蝠与该段声音并非同一种。左侧稀疏的长叫声对应搜索阶段，右侧密集的短促脉冲串对应捕获前的终 buzz，中间是过渡的接近阶段。可以看到随着行为推进，间隔明显缩短，单个叫声的形态也同时变化。这正是论文要分离的两个因素：间隔节奏与单声形态。理解这张图后，就能明白为什么后文要用归一化操作把节奏拉平而保留单声内容。
脉冲间隔 × 呼叫形态： 脉冲间隔指相邻两次叫声起始点之间的时间，描述叫声在序列中的疏密节奏；呼叫形态指单个脉冲自身的持续时间、带宽和调频形状。两者分工不同：前者是序列级的时间结构，后者是单声级的频谱形状，论文把间隔归一化而保留脉冲内容，正是为了分离这两种信息，组合起来才能判断分类究竟依赖节奏还是依赖单个叫声的样子。
已有分类路线为什么关注时间上下文
已有蝙蝠叫声自动分类大多用卷积神经网络，例如 BatNet、NABat ML 和 BatDetect2，它们把频谱图当作图像，用局部卷积学习叫声的局部纹理。这类方法输入、目标和监督都与本篇相同：输入是叫声频谱图，目标是物种标签，监督来自人工标注的物种名，运行阶段都是对新录音直接预测。近期音频分类引入 Transformer，例如 PaSST，其自注意力允许输入序列中较远元素互相作用，理论上能利用更宽的时间上下文。
论文并不是笼统比较谁更强，而是提出一个具体问题：脉冲间隔变化这种时间线索是否带来可区分物种的信息，以及 Transformer 是否比卷积更善于利用它。在相同输入、相同目标和相同运行阶段下比较，才有意义；若训练物种集合或输出形式不同，就不能直接比高低。
卷积神经网络 × Transformer： 卷积神经网络通过局部卷积核提取频谱图上的局部纹理，擅长刻画单个叫声的局部形状；Transformer 用自注意力让序列中较远位置互相作用，理论上更能利用跨叫声的上下文。论文对比二者，是想检验后者是否更善于利用脉冲间隔这种长程时间线索，但实际比较的是包含预训练和预处理的完整流程，而非单纯的卷积与注意力之差。
论文把大问题拆成哪三个可检验问题
论文把时间上下文的笼统说法收窄为脉冲间隔变化这一个可操作的变量。第一个问题是同条件下归一化间隔会发生什么：如果训练和测试都用自然间隔，与都用归一化间隔相比，准确率如何变化。第二个问题是跨条件泛化：如果只在归一化数据上训练，再到自然录音上测试，性能是否下降。第 3 个问题是现有分类器是否本身就对间隔敏感：不重新训练，直接把 BatDetect2 和 BAT 放在两种条件下评测，看预测是否变化。
3 个问题分工明确，第一个看间隔是否提供同条件下的判别信息，第二个看整理过的数据能否迁移到野外，第 3 个看已有工具是否依赖间隔。论文还强调鼠耳蝠属多个成员在频谱上难分，因此特意纳入较多该属物种，以检验时间线索能否缓解单声形态重叠。
整体流程如何从源录音得到配对数据与结论
整体流程分 4 步。第一步是从欧洲蝙蝠数据集 ChiroSetEurope 中挑选约每物种 20 个 2 秒片段，最终每物种 7 到 21 个不等，多数在 15 个以上，采样率低于 100 kHz 的录音被排除，以避免时间扩展录音中叫声过稀。第二步是人工标注每个叫声的起始点和包含回声与谐波的能量区间，脉冲间隔定义为相邻两个标注起始点之间的时间。
第三步是生成配对数据：自然条件保留原始时间关系，归一化条件把每对相邻起始点对齐到 50 毫秒等间隔序列，间隔过长就删去中间音频且优先删背景，过短就从同录音取背景补齐。第 4 步是 3 个实验：微调 EfficientNet-B0 和 PaSST 做同条件五折交叉验证，做单次划分的跨条件测试，再直接评测 BatDetect2 和 BAT。评估用准确率和宏平均精确率、召回率、F1 分数，宏平均指每个物种权重相等，以应对类别不平衡。
自然间隔条件 × 归一化间隔条件： 自然间隔条件保留原始录音中叫声起始点的真实时间差；归一化间隔条件把每对相邻起始点对齐到 50 毫秒的等间隔序列。两者由同一批源录音配对生成，目的是只改变叫声的排列疏密而不改变脉冲本身的频谱内容，从而把间隔变化这个因素单独拿出来做对照。
归一化操作具体改了什么、没改什么
归一化操作的目标是减少相邻叫声起始点之间间隔的变化，同时尽量保留单个脉冲的频谱内容。实现上先设定目标间隔为 50 毫秒，选择该值是因为它大于所含物种的预期脉冲持续时间，可降低归一化后相邻叫声重叠的风险。设第一个标注起始点为锚点，第 i 个叫声的目标起始点按下式排列，其中 t1 是第一个叫声的起始时刻。
\[t_{i}=t_{1}+(i-1)\times 0.050\,\mathrm{s},\]该公式的输入是标注序号 i 和锚点 t1，计算目标是第 i 个叫声应有的起始时间，原文明确用 0.050 秒为步长生成等间隔序列。实际操作中若观测间隔大于目标，就删除中间音频；若小于目标，就插入同录音背景音频并保留原有叫声之间音频，优先用单段连续背景，不够时拼接多段。需要理解的是，这不是完美的纯间隔操作：插入或删除背景可能引入不连续或重复背景纹理，人工标注起始点本身也有不确定性，因此应理解为自然录音与经过完整归一化流程录音的对比，而非只改变数学间隔。
线性频谱图 × 梅尔频谱图： 线性频谱图按线性频率刻度保留原始频率分辨率，论文中供卷积流程使用；梅尔频谱图按人耳启发的梅尔刻度压缩高频并突出中低频，论文中供 PaSST 流程使用。它们都是把波形变成时频图像的输入表示，分工在于频率刻度和后续模型接口不同，因此两个模型的输入差异本身就会影响结果，不能只归因于架构。
两个微调流程的输入与模型差异
EfficientNet-B0 流程基于卷积主干，用 ImageNet 预训练权重，把 2 秒音频重采样后转为线性频谱图，经标准化并双线性插值调整尺寸，再把单通道复制为 3 通道以满足模型输入要求。PaSST 流程基于 Transformer 主干，用 AudioSet 预训练权重，先把录音做 10 倍时间扩展再重采样到模型所需采样率，时间扩展把约 20 到 120 kHz 的叫声频率移到约 2 到 12 kHz，避免直接重采样时高频被奈奎斯特极限切除，随后转为梅尔频谱图。
两者在主干、预训练数据、频谱类型、时间分辨率和预处理上都不同，因此论文后文明确指出这是两个完整建模流程的比较，不能把性能差直接归因于卷积与自注意力之别。要复述关键步骤时，应同时说清输入表示和预训练来源，而不只说模型名字。
微调如何训练、何时停止、如何选超参数
2 个模型都更新全部参数做微调，而非冻结主干。损失函数都是交叉熵，优化器都是 AdamW，有效批量大小都保持 32，但因显存需求不同而采用不同物理批量与梯度累积组合，最多训练 50 轮。实验一用五折分层交叉验证，每折约 80% 训练、20% 验证，相同折划分同时用于 2 个模型和两种间隔条件，并用加权随机采样缓解类别不平衡。学习率和权重衰减通过网格搜索选择，依据是五折平均的验证宏平均 F1 分数，早停同样看验证宏平均 F1 分数且耐心为 5。
实验二改用单次分层 80 比 20 划分得到固定测试集，不再设独立验证集，超参数直接沿用实验一网格搜索结果，训练 50 轮并取训练损失最低的检查点做测试评估。现有分类器实验则不做任何额外训练，直接调用预训练模型。
三个实验的条件、划分与指标方向
实验一是同条件评估，自然对自然、归一化对归一化，分别做五折交叉验证，报告准确率均值与标准差及宏平均 F1。实验二是跨条件评估，用单次划分得到固定自然测试集，比较在自然训练数据上训练与在归一化训练数据上训练后，在同一自然测试集上的表现，划分在源录音级别进行，同一源录音的两种版本必须同属训练或测试，避免配对版本泄漏。
实验三是现有模型评估，对全部 251 个片段的两种条件版本直接预测，BatDetect2 取每段中出现最频繁的检测物种作为段级预测，BAT 取排名最高的物种预测，预测正确当且仅当与参考物种标签一致；再分别在全物种集和各模型原训练物种对应的已知物种子集上计算指标。所有指标都是越高越好，宏平均对每个物种等权重。
同条件评估 × 跨条件评估： 同条件评估指训练和验证用同一种间隔条件，用来回答在该条件下分类有多准；跨条件评估指在归一化数据上训练、在自然数据上测试，用来回答实验室整理过的数据上练出的模型能否搬到野外自然录音。前者看难度变化，后者看迁移能力，两者搭配才能避免把整理数据上的高分误当成野外性能。
数据规模与物种构成如何影响结论范围
下表整理论文报告的数据规模，这是理解所有结论适用条件的基础。每个条件各有 251 个 2 秒片段，共 502 秒音频，配对命名保证跨条件轨道一致。实验一每折约 201 训练、50 验证，实验二约 201 训练、50 测试且每物种约 16 训练、4 测试，实验三每条件评测全部 251 个片段。物种数按操作标签为 16 类，但其中 Cnephaeus serotinus 与 Eptesicus serotinus 实为同一生物物种的不同命名组合，训练时被误当作两类，导致操作标签比生物物种多一个。部分物种仅 7 到 11 个录音，测试集每物种仅约 4 个，因此单次划分的估计对个别录音很敏感。
| 条件与划分 | 片段总数 | 训练数 | 验证或测试数 | 物种标签数 |
|---|---|---|---|---|
| 自然间隔条件 | 251 | 201 | 50 | 16 |
| 归一化间隔条件 | 251 | 201 | 50 | 16 |
| 实验一每折划分 | 251 | 201 | 50 验证 | 16 |
| 实验二单次划分 | 251 | 201 | 50 测试 | 16 |
| 实验三全量评测 | 251 | 0 | 251 评测 | 16 |
该表说明比较问题是样本量是否足以支撑跨条件差异的稳定性，公平条件是配对数据与源录音级划分，指标方向是数量越大估计越稳。结果的限制在于总量小且不平衡，每物种测试仅约 4 个，跨条件下降幅度易受个别录音影响；命名重复还会给宏平均带来额外权重，物种级结论需谨慎。
教学例子：若某物种测试只有 4 段，错一段就差 25 个百分点，因此不能把小样本波动当作普遍规律。
同条件下归一化是否带来提升
同条件结果回答归一化后在同样整理程度的数据上分类是否变容易。论文报告 PaSST 在自然条件下准确率均值较高且波动小，归一化后几乎持平；EfficientNet 在自然条件下较低，归一化后明显升高，但仍低于 PaSST。物种级上 PaSST 对样本少的鼠耳蝠也保持中等 F1，而 EfficientNet 波动更大。
| 模型与条件 | 准确率均值 | 标准差 | 宏平均 F1 | 评估方式 |
|---|---|---|---|---|
| PaSST 自然间隔 | 71.0% | 2.3% | 0.68 | 五折同条件验证 |
| PaSST 归一化间隔 | 70.0% | 6.3% | 0.67 | 五折同条件验证 |
| EfficientNet-B0 自然间隔 | 47.0% | 4.7% | 0.43 | 五折同条件验证 |
| EfficientNet-B0 归一化间隔 | 57.0% | 3.9% | 0.52 | 五折同条件验证 |
| 跨条件 PaSST 自然训练 | 65.0% | 单次无波动 | 0.60 | 固定自然测试 |
该表比较的是同条件下的准确率与宏平均 F1，公平条件是相同折划分与同条件训练测试，指标越高越好。主要收益是 EfficientNet 在归一化后提升约 10 个百分点，代价是该提升并未证明间隔含物种信息，反例是 PaSST 几乎不变且归一化标准差更大。
限制在于归一化引入的背景拼接可能使数据更规整，从而简化分类，而非提供生物学判别信息。 读图时注意 A 组左侧 PaSST 两柱高度接近但右侧绿色柱误差线更长，右侧 EfficientNet 绿色柱明显高于紫色柱。
看图路径： 1. 对比 A 组中 PaSST 左右两柱几乎持平而 EfficientNet 右柱明显升高；2. 沿 B 组连线看从归一化训练切到自然训练时两条线都向上；3. 看 C 组中深色全物种与浅色已知物种两段高度差，理解物种集合的影响
论文图 2。原论文 Figure 2:：“Classification accuracy across the three experiments.”。
该图 A 面板显示五折交叉验证准确率，PaSST 自然与归一化分别约为 71% 和 70%，EfficientNet 分别为 47% 和 57%；B 面板显示跨条件测试中自然训练高于归一化训练；C 面板显示现有模型在全物种上约 28% 与 27%，在已知物种子集上 BatDetect2 约 58% 与 56%、BAT 约 38% 与 36%。可见同条件归一化对 EfficientNet 的帮助大于对 PaSST，且现有模型对间隔变化不敏感。
跨条件到自然录音时性能掉多少
跨条件结果回答整理数据上训练的模型能否直接用于自然录音。论文把两种训练条件放在同一固定自然测试集上比较，发现自然训练的基线高于归一化训练，两个架构都下降。PaSST 下降幅度大于 EfficientNet，但绝对准确率仍高于 EfficientNet，说明归一化训练削弱了对自然变化的适应。
| 模型与训练到测试 | 自然测试准确率 | 宏平均 F1 | 训练条件 | 测试条件 | 划分规模 |
|---|---|---|---|---|---|
| PaSST 自然训练到自然测试 | 65.0% | 0.60 | 自然间隔 | 自然间隔 | 201 训练 50 测试 |
| PaSST 归一化训练到自然测试 | 57.0% | 0.54 | 归一化间隔 | 自然间隔 | 201 训练 50 测试 |
| EfficientNet-B0 自然训练到自然测试 | 54.0% | 0.52 | 自然间隔 | 自然间隔 | 201 训练 50 测试 |
| EfficientNet-B0 归一化训练到自然测试 | 50.0% | 0.46 | 归一化间隔 | 自然间隔 | 201 训练 50 测试 |
| 现有 BatDetect2 全物种自然条件 | 28.0% | 0.18 | 无额外训练 | 自然间隔 | 251 评测 |
该表比较的是同一自然测试集上的训练条件差异，公平条件是测试集固定且源录音级隔离，指标越高越好。
主要收益是自然训练保留了对真实变化的适应性，具体代价是归一化训练分别带来 8 个和 4 个百分点的下降。未胜出项是归一化训练的 PaSST 仍有 57%，并非完全失效。限制在于每物种仅约 4 个测试录音且无独立验证集，超参数沿用实验一，下降幅度可能受特定划分影响，也不能证明模型学到了物种特异的间隔特征，可能只是更适应自然数据的整体可变性。
物种级与现有模型显示了什么不一致
物种级与现有模型结果用于检查平均数掩盖的异质性。论文图 3 显示 EfficientNet 多数物种归一化后 F1 上升，其中部分鼠耳蝠上升十多个百分点，而 PaSST 各物种变化短小且方向混杂；BatDetect2 和 BAT 在两种条件间整体差异小。现有模型在全物种上准确率仅 28% 与 27%，限制到各自原训练物种子集后 BatDetect2 升至 58% 与 56%、BAT 升至 38% 与 36%，归一化影响仍仅一两个百分点。
| 模型与评估范围 | 自然条件准确率 | 归一化条件准确率 | 宏平均 F1 自然 | 宏平均 F1 归一化 | 样本范围 |
|---|---|---|---|---|---|
| BatDetect2 全物种 | 28.0% | 27.0% | 0.18 | 0.16 | 每条件 251 片段 |
| BatDetect2 已知物种 | 58.0% | 56.0% | 0.41 | 0.38 | 各模型原训练物种子集 |
| BAT 全物种 | 28.0% | 27.0% | 0.15 | 0.16 | 每条件 251 片段 |
| BAT 已知物种 | 38.0% | 36.0% | 0.24 | 0.29 | 各模型原训练物种子集 |
该表比较的是现有模型在不同物种集合与间隔条件下的表现，公平条件是无额外训练且配对录音，指标越高越好。主要发现是物种集合的影响远大于间隔条件，全物种低分主要因含未见物种；具体代价是已知子集样本构成不同，2 模型子集不可直接比高低。
反例是 BAT 已知子集宏平均 F1 归一化后反而略高而准确率略低，说明不同指标方向可能不一致。限制是段级预测由不同聚合得到，BatDetect2 取众数检测而 BAT 取最高排名，且命名重复使 serotinus 两标签的错误实为命名不一致而非生物误判。 上图按物种展示 F1 变化，绿色右箭头为上升、红色左箭头为下降，数字为百分点变化，星号表示未在原训练集中出现。
看图路径： 1. 先分清圆点是自然条件、方块是归一化条件，箭头方向表示变化方向；2. 比较 EfficientNet 面板多为绿色右箭头而 PaSST 面板箭头短小混杂；3. 注意右侧两面板带星号物种表示未在原训练集中出现，不代表显著性
论文图 3。原论文 Figure 3:：“Effect of IPI normalization on species-level F1-scores.”。
可见 EfficientNet 面板绿色右箭头多且长，PaSST 面板箭头短且红绿混杂，右侧两面板多数物种变化接近零或仅在已知物种上有可读分数。这支持论文判断：归一化并未对 Transformer 产生更强影响，现有模型对该特定归一化操作也不敏感。
哪些因素限制了因果解释
论文讨论明确列出多项限制。第一，归一化改变的不只是间隔，还包括背景拼接引入的不连续与重复纹理，以及人工标注起始点的不确定性，因此不能说完美隔离了间隔因素。第二，数据集小且不平衡，交叉验证估计对折分配敏感，跨条件单次测试每物种仅约 4 段，对划分敏感。第三，源录音为弱标签，可能含标注不确定、录音质量差异或非目标物种叫声，且 2 秒片段只覆盖有限行为与环境变化。
第四，serotinus 命名重复使模型被迫区分同一生物物种的两个标签，可能学到录音来源或地点差异而非物种差异，并给宏平均带来额外权重；但因两标签在两种条件下都出现，条件间比较受影响较小。第五，PaSST 与 EfficientNet 在预训练、输入表示和优化细节上都不同，BatDetect2 与 BAT 在训练集、物种集和预测聚合上也不同，因此都不能做纯架构对照。这些限制意味着同条件提升不能解读为归一化数据含更多生物学信息，跨条件下降也不能断定模型学到了物种特异间隔。
复现第一步与需要保留的关键细节
复现应从数据与标注开始。论文说明标注工具与训练评估代码在 GitHub 仓库当前可用，源录音论文指向 ChiroSetEurope 的 Zenodo DOI 链接，需要按论文方法在 Audacity 中标注叫声起始点与能量区间，再按 50 毫秒等间隔生成配对数据。关键超参数与信息条件要保留：目标间隔 50 毫秒，EfficientNet 用线性频谱图而 PaSST 先 10 倍时间扩展再转梅尔频谱图，有效批量 32、最多 50 轮、AdamW 与交叉熵、网格搜索学习率与权重衰减、早停看验证宏平均 F1。划分必须在源录音级别进行，保证配对版本同属训练或测试。
代码可运行、权重可下载、系统可运行是三件不同的事：本篇提供的是作者标注与训练评估代码的可用链接，不等于直接提供可一键运行的野外系统，也不等于所有预训练权重都已重新打包。复现时先核对每条件 251 段、实验一每折 201 训练 50 验证、实验二 201 训练 50 测试的规模，再核对是否保留命名重复的原始标签结构，否则指标无法对齐。
什么时候值得尝试与还需补什么验证
什么时候值得尝试：当野外监测必须在自然录音上部署时，应保留自然可变性做训练与评估，并加做归一化训练到自然测试的跨条件检查；当想简化同条件分类或做教学演示时，归一化可使数据更规整，但不应把该条件下的高分直接当作野外性能。复现第一步是重建配对数据与源录音级划分，先复刻同条件与跨条件的准确率方向，再检查物种级 F1 是否同样呈现 EfficientNet 波动大而 PaSST 稳定的模式。
还需要补的验证包括更大更多地点设备的数据、独立操纵间隔、叫声顺序、叫声形态与背景结构的消融，以及匹配输入表示与预训练后的卷积与 Transformer 对照；还需澄清 serotinus 命名合并后的指标，并用更大测试集降低单次划分的敏感性。总体上，论文直接报告的是有限支持：自然间隔变化在本实验条件下不是主要判别信息，Transformer 也未表现出更强利用，归一化简化同条件分类却不能完全迁移到自然录音。
📎 论文与评分元数据
排名：前50% | 文档类型：应用研究 | arXiv 原文
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses