Marine økosystemer i dyphavet er lite forstått. Bedre innsikt er avgjørende for å redusere effekten av klimaendringer, forurensning og støy. Passiv akustisk overvåking er effektivt, men dagens manuelle analysemetoder er for lite skalerbare.
Min forskning utvikler dyplæringsmodeller for å oppdage og klassifisere marine arter. Marine lydlandskap er beregningsmessig krevende: Signalene har stor båndbredde samtidig som de er svært sparsomme i tid, noe som kompliseres ytterligere av bakgrunnsstøy fra havmiljøet og stor variasjon i vokaliseringer både innenfor og mellom arter. utvikler prosjektet skalerbare modeller som kan lære robuste akustiske representasjoner på tvers av ulike habitater.
Med base ved Institutt for datateknologi og informatikk (IDI) utfører jeg arbeidet i tett tverrfaglig samarbeid med Institutt for biologi. Dette sikrer at beregningsmodellene våre gjenspeiler faktiske økologiske forhold og blir til praktiske verktøy for marine forskere.
