El reentrenamiento de BirdNET con aprendizaje activo mejora la detección de vocalizaciones de aves nocturnas

El monitoreo acústico pasivo permite obtener un enorme volumen de datos acústicos, cuyo análisis manual se vuelve rápidamente ineficiente, por lo que cada vez más depende de modelos de aprendizaje automático, como las redes neuronales convolucionales. Sin embargo, entrenar estos modelos desde cero requiere alta capacidad computacional y experiencia técnica, y muchos investigadores utilizan modelos preexistentes como BirdNET. Aunque estos modelos fueron entrenados con grabaciones focales de alta calidad, su desempeño puede disminuir en grabaciones de monitoreo acústico pasivo, especialmente en ecosistemas diversos y poco representados. Además, obtener datos etiquetados para especies raras o con pocos registros representa un desafío. Para abordar estas limitaciones, aplicamos aprendizaje por transferencia y aprendizaje activo para mejorar la detección de 24 especies de aves en grabaciones nocturnas de baja calidad obtenidas con dispositivos AudioMoth en el Bosque Atlántico de Argentina. Primero, utilizamos BirdNET-Analyzer para entrenar un modelo específico a partir de grabaciones anotadas de monitoreo acústico pasivo, complementadas cuando fue necesario con clips de bibliotecas de sonidos aumentados con ruido. Con estos datos, entrenamos una nueva capa de clasificación sobre el extractor de características de BirdNET. Luego, refinamos el modelo mediante aprendizaje activo, incorporando verificación humana de detecciones con alta puntuación y otras seleccionadas aleatoriamente. Nuestro enfoque produjo mejoras sustanciales en la mayoría de las clases, incluyendo especies raras y vocalizaciones poco representadas. El aprendizaje activo aumentó la precisión general y redujo falsos positivos. Este trabajo ofrece una estrategia accesible para adaptar modelos bioacústicos a contextos ruidosos, con pocos datos y baja representación regional.