생체음향학(bioacoustics)과 행동학(ethology)은 광범위한 오디오 이해 과제를 포괄하며, 이들 중 다수는 대규모 오디오-언어 모델의 최근 발전으로부터 혜택을 받을 수 있습니다. 그러나 지금까지 이 분야의 발전은 종 및 울음소리 유형 분류와 같이 라벨 중심의 생물학적 범주 인식에 주로 초점을 맞춘 좁은 범위의 과제에서만 평가되어 왔습니다. 본 연구에서는 음향 인지, 생물학적 범주 인식, 장면 이해, 문맥 내 학습(ICL)에 걸친 생체음향학 과제 분류 체계에 기반한 벤치마크인 BEANS-Next를 소개합니다. BEANS-Next를 통해 기존 모델들이 기존 평가에서 강조된 과제군을 벗어나면 제한적인 성능을 보이며, 이로 인해 더 폭넓은 생체음향학 응용 분야에서의 유용성이 제약된다는 점을 보여줍니다. 이러한 더 넓은 과제 영역에서의 발전을 지원하기 위해, 확장 큐레이션된 실제 데이터와 이전에 충분히 활용되지 않았던 행동 및 음향 메타데이터를 기반으로 구축되고, 라벨링이 불충분한 경우 오디오 파생 정보 및 확장 가능한 합성 생성으로 보완된 대규모 학습(training) 자원인 ROOTS를 함께 소개합니다. 이 데이터셋(dataset)으로 학습하면 BEANS-Next의 모든 과제 그룹에 걸쳐 상당한 진전이 이루어져, 오디오-언어 모델이 생체음향학 및 행동학을 위한 범용 보조 도구로서의 잠재력에 한층 더 다가설 수 있음을 입증합니다. 해당 분야의 발전을 가속화하기 위해 벤치마크, 데이터셋, 데이터 파이프라인을 오픈 소스로 공개합니다.
저고도 UAV로 촬영한 고해상도 RGB 영상에 트랜스포머 기반 시맨틱 세그멘테이션(SegFormer)과 ConvNeXt 분류 모델을 결합한 모듈형 파이프라인 EcoVision을 제안하여, 염생 습지의 두 핵심 식물 종(Spartina maritima, Puccinellia maritima)을 픽셀 수준(평균 IoU 0.56, 정확도 0.96)과 객체 수준(F1 0.99)으로 정밀 식별한다. 2×2m 격자 기반 우점도 산정 결과가 현장 방형구 조사와 평균 오차 8% 미만으로 일치하여, AI 기반 워크플로우가 픽셀 수준 예측을 생태학적으로 해석 가능한 지표로 변환할 수 있음을 실증하였다.
Advancing Wood Identification in the Philippines: Utilizing the Xylorix Platform for Efficient AI Model Development and Deployment for Five Key Species
필리핀에서는 불법벌채와 목재 거래가 여전히 심각한 과제로 남아 있으며, 정확한 목재 종 식별은 단속에 필수적이지만 전문 장비와 전문 지식이 필요해 제약을 받고 있다. 본 연구는 Xylorix 플랫폼을 이용해 프로그래밍 전문 지식이 없는 목재학자도 거시적 목재 식별용 AI 모델을 개발하고 배포할 수 있는지를 평가하는 것을 목표로 하며, Mangium(Acacia mangium Willd.), Rain Tree [Samanea saman (Jacq.) Merr.], Banuyo(Wallaceodendron celebicum Koord.), Tindalo [Afzelia rhomboidea (Blanco) Vidal], Ipil [Intsia bijuga (Colebr.) O. Kuntze]의 다섯 필리핀 경질수종에 초점을 맞춘다. 260개 표본에서 수집한 10,663장의 검증된 단면 이미지로 이진 분류기를 학습했으며, 현장 운영 조건을 반영하기 위해 표본 수준 평균 점수로 평가했다. ROC 곡선 아래 면적(AUC) 값은 0.969(Ipil)에서 1.000(Mangium)까지였고, 평균 정밀도(AP) 값은 0.589(Samanea)에서 1.000(Mangium)까지였다. 다섯 종 중 네 종은 AA 등급(AUC와 AP 모두 \geq 0.90)을 달성했고, Rain Tree는 양성 테스트 세트가 작아(표본 3개) AP가 압축된 결과 AE(AUC \geq 0.90, AP < 0.60)를 받았다. 다섯 분류기 모두 대상 표본을 비대상 표본보다 거의 완벽한 정확도로 상위에 순위 매겼다. 표본 수준 오류 분석 결과 Ipil에서 9건의 거짓 음성이 확인되었으며, 이는 주로 국소적 이미지 아티팩트에서 비롯되었다. Rain Tree 3건, Tindalo 1건의 거짓 양성은 공유된 족(tribe) 수준 해부학적 특성 때문이었다. 이러한 결과는 프로그래밍 비전문가도 Xylorix 플랫폼을 활용해 공급망 검문소에서 현장 배포에 적합한 운영상 신뢰할 수 있는 목재 식별 모델을 구축할 수 있음을 보여준다.