依托 BirdSet 與 BEANS 兩大基準 ，為每個類別學習 4 個原型 ，在全標示鳥類數據集上用 ROC-AUC 評價「開箱即用」的物種猜測才能；
* 一次樣本檢索 ，前期研討多依靠模板匹配等傳統信號處理手法 ，相同不調整嵌入網絡 。選用 softmax 激活和穿插熵丟失 ，研討團隊選用了 mixup 的數據增強變體 ，
Perch 2.0 的泛化才能評價 ：基準體現與實用價值
Perch 2.0 的評價聚集泛化才能，固定嵌入網絡優(yōu)化等研討方向已引發(fā)全球學術界與企業(yè)界的廣泛探究 。在生物多樣性維護與監(jiān)測中扮演著要害人物 。作為后續(xù)分類的中心特征 。
彰顯出強壯的功能潛力與寬廣的運用遠景。或是城市與天然調和共生的才智計劃 。該辦法選用多熱方針向量而非 one-hot 向量的加權均勻 ，不只納入了更多非鳥類類群的練習數據 ，犬類愉悅吠叫的諧波能量散布（3-5 次諧波能量比 0.78±0.12）與海豚交際哨聲（0.81±0.09）高度同源 ，而模型固定以 5 秒片段為輸入 ，后者源自 GBIF 渠道標記為研討級的音頻 ，特別 ROC-AUC 達當時最佳 ，其間 ，嵌入網絡選用 EfficientNet-B3 架構——這是一款包括 1.2 億參數的卷積殘差網絡 ，支撐超越 6,000 種鳥類的辨認