De Marco R, Iurcev M, Trebbi A, Lagorio S. · 2026

Is FFT window length a neutral preprocessing choice in CNN-based dolphin whistle detection? A cross-domain sensitivity analysis

Resumo em português

Redes neurais convolucionais (CNNs) que operam em imagens de espectrogramas são o método consolidado para detecção automatizada de assobios de cetáceos em monitoramento acústico passivo (PAM). O comprimento da janela FFT (N fft) usado durante a geração do espectrograma é rotineiramente fixado sem justificativa, porém ele determina a resolução tempo-frequência e, consequentemente, como a imagem resultante é distorcida ao ser redimensionada para uma dimensão fixa de entrada da CNN. Este estudo apresenta uma análise controlada de sensibilidade de N fft em cinco valores (128, 256, 512, 1024, 2048) na detecção binária de assobios de golfinho-nariz-de-garrafa (Tursiops truncatus), utilizando validação cruzada em 10 dobras em um conjunto de dados de domínio próprio (Oltremare, 192 kHz) e avaliação cross-domain em um benchmark independente de oceano aberto (DCLDE 2022). Todos os experimentos foram conduzidos dentro de um pipeline de código aberto formalmente definido (ai-pam-pipeline). O desempenho no domínio próprio é uniformemente alto em todas as configurações. Os resultados cross-domain divergem: N fft = 256 supera significativamente 512, 1024 e 2048 em macro F1, enquanto mantém uma taxa de falsos positivos (FDR) exatamente igual a zero em todas as 10 dobras e todos os limiares de classificação testados. N fft = 128 alcança recall comparável, mas produz FDR > 0 em todas as 10 dobras, exibindo uma falha de transferência que é indetectável pela validação em domínio próprio. Esses resultados mostram que um parâmetro de pré-processamento rotineiramente tratado como detalhe de implementação tem um efeito grande e sistemático na generalização cross-domain. O estudo não tem o objetivo de propor N fft = 256 como um ótimo universal; ao contrário, testa a suposição comum de que este parâmetro é neutro e seguro sob um regime de representação totalmente especificado, e demonstra que não é.

Resumo original em inglês

Convolutional neural networks (CNNs) operating on spectrogram images are the established method for automated cetacean whistle detection in passive acoustic monitoring (PAM). The FFT window length ( N fft ) used during spectrogram generation is routinely fixed without justification, yet it determines the time–frequency resolution and, consequently, how the resulting image is distorted when resized to a fixed CNN input dimension. This study presents a controlled sensitivity analysis of N fft across five values (128, 256, 512, 1024, 2048) on binary Tursiops truncatus whistle detection, using 10-fold cross-validation on an in-domain dataset (Oltremare, 192 kHz) and cross-domain evaluation on an independent open-ocean benchmark (DCLDE 2022). All experiments were conducted within a formally defined, open-source pipeline (ai-pam-pipeline). In-domain performance is uniformly high across all configurations. Cross-domain results diverge: N fft = 256 significantly outperforms 512, 1024, and 2048 in macro F1, while maintaining a false discovery rate (FDR) of exactly zero across all 10 folds and all tested classification thresholds. N fft = 128 achieves comparable recall but produces FDR > 0 in all 10 folds, exhibiting a transfer failure that is undetectable by in-domain validation. These results show that a preprocessing parameter routinely treated as an implementation detail has a large, systematic effect on cross-domain generalization. The study does not aim to propose N fft = 256 as a universal optimum; rather, it tests the common assumption that this parameter is neutral and safe under a fully specified representation regime, and demonstrates that it is not.