本研究结合自我监督学习和深度主动学习，利用Transformer模型进行鸟类声音监测，旨在提高鸟声识别的准确性和效率。通过自动化深度学习技术，减少对人工标注数据的依赖，提升生物声学研究的可重复性和可比性。同时，研究探讨了无监督学习在音频分类中的应用，展示了在少样本情况下的有效性。

该研究结合自我监督和深度主动学习，利用Transformer模型进行鸟类声音监测，生成高质量的鸟类声音表示，减少对人工专家 extensively labeled 数据集的依赖。通过Huggingface Datasets整理一套全面的任务，旨在加速鸟类声学研究的进展并为更有效的保护策略作出贡献。

本文提出了将自我监督学习（SSL）和深度主动学习（DAL）结合起来，通过Transformer模型实现鸟类声音监测。通过SSL，ActiveBird2Vec生成高质量的鸟类声音表示，通过DAL减少对专家标注数据集的依赖。计划通过Huggingface Datasets整理一套全面的任务，评估不同Transformer模型在鸟声识别任务上的熟练程度。旨在加速鸟类声学研究进展并为保护策略作出贡献。