Mijn interesses liggen op het snijvlak van machinaal leren op basis van geluid en ecologie voor het behoud van biodiversiteit. Ik breng de kracht van kunstmatige intelligentie en bioakoestiek naar het monitoren van biodiversiteit.
Trefwoorden
Machine learning, deep learning, AI, audio, bioacoustics
Researchinterest
Ik werk binnen drie door de EU gefinancierde projecten MAMBO, GUARDEN en TETRIS om het behoud van biodiversiteit te bevorderen door het ontwikkelen van machine learning-methoden voor het detecteren en classificeren van dierlijke vocalisaties.
Door gebruik te maken van machine learning-technieken wil ik innovatieve methoden ontwikkelen voor het detecteren en classificeren van dierlijke vocalisaties. Dit kan veel voordelen opleveren voor wildlife-experts, natuurbeschermingsbiologen en ecologen door geautomatiseerde hulpmiddelen te bieden voor langetermijnmonitoring van het milieu. De focus van mijn werk ligt op het verwerken van uitgebreide datasets van omgevingsgeluiden, waardoor waardevolle inzichten verkregen kunnen worden in de verborgen wereld van communicatie tussen dieren. In de natuur zijn veel dieren visueel ongrijpbaar, maar hun geluiden bieden een schat aan informatie over hun leefomgeving, seizoensveranderingen en interacties. Traditionele methoden om deze geluiden te analyseren zijn tijdrovend en bewerkelijk. Mijn doel is om geautomatiseerde processen te creëren die de analyse versnellen en stroomlijnen, wat uiteindelijk bijdraagt aan de bescherming en het behoud van de diverse soorten en ecosystemen van onze planeet.
Keypublications
- Ghani, Burooj, et al. Global birdsong embeddings enable superior transfer learning for bioacoustic classification, Nature Scientific Reports (2023)
- Nolasco, Ines, ... , Ghani, Burooj, et al. "Learning to learn an animal sound from five examples." Ecological Informatics (2023)
- Ghani, Burooj et al. “Classification of group-specific variations in songs within House Wren species using machine learning models.” Ecol. Informatics 74 (2022): 101946.
- Ghani, Burooj and Sarah Hallerberg. “A Randomized Bag-of-Birds Approach to Study Robustness of Automated Audio Based Bird Species Classification.” Applied Sciences (2021)