論文の概要: Temporal signals to images: Monitoring the condition of industrial assets with deep learning image processing algorithms

• arxiv url: http://arxiv.org/abs/2005.07031v4
• Date: Fri, 26 Feb 2021 07:47:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 04:47:38.978955
• Title: Temporal signals to images: Monitoring the condition of industrial assets with deep learning image processing algorithms
• Title（参考訳）: 画像に対する時間信号:ディープラーニング画像処理アルゴリズムによる産業資産の状態監視
• Authors: Gabriel Rodriguez Garcia, Gabriel Michau, M\'elanie Ducoffe, Jayant Sen Gupta, Olga Fink
• Abstract要約: 本稿では,文献に見られる画像符号化手法の信号について概説する。 我々は、大規模なデータセットの変動性に対してより堅牢になるように、元の定式化のいくつかを変更することを提案する。 選択された符号化方法は、Gramian Angular Field、Markov Transition Field、Recurrentence plot、グレイスケールエンコーディング、Spectrogram、 scalogramである。
• 参考スコア（独自算出の注目度）: 3.9023554886892438
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The ability to detect anomalies in time series is considered highly valuable in numerous application domains. The sequential nature of time series objects is responsible for an additional feature complexity, ultimately requiring specialized approaches in order to solve the task. Essential characteristics of time series, situated outside the time domain, are often difficult to capture with state-of-the-art anomaly detection methods when no transformations have been applied to the time series. Inspired by the success of deep learning methods in computer vision, several studies have proposed transforming time series into image-like representations, used as inputs for deep learning models, and have led to very promising results in classification tasks. In this paper, we first review the signal to image encoding approaches found in the literature. Second, we propose modifications to some of their original formulations to make them more robust to the variability in large datasets. Third, we compare them on the basis of a common unsupervised task to demonstrate how the choice of the encoding can impact the results when used in the same deep learning architecture. We thus provide a comparison between six encoding algorithms with and without the proposed modifications. The selected encoding methods are Gramian Angular Field, Markov Transition Field, recurrence plot, grey scale encoding, spectrogram, and scalogram. We also compare the results achieved with the raw signal used as input for another deep learning model. We demonstrate that some encodings have a competitive advantage and might be worth considering within a deep learning framework. The comparison is performed on a dataset collected and released by Airbus SAS, containing highly complex vibration measurements from real helicopter flight tests. The different encodings provide competitive results for anomaly detection.
• Abstract（参考訳）: 時系列の異常を検出する能力は、多くのアプリケーションドメインで非常に価値があると考えられている。 時系列オブジェクトのシーケンシャルな性質は、追加の機能の複雑さに責任を持ち、最終的にタスクを解決するために特別なアプローチを必要とする。 時間領域外に位置する時系列の本質的特性は、時間領域に変換が適用されていない場合、最先端の異常検出手法で捉えにくいことが多い。 コンピュータビジョンにおけるディープラーニング手法の成功に触発されて、いくつかの研究は時系列を画像のような表現に変換し、ディープラーニングモデルの入力として使用することを提案し、分類タスクにおいて非常に有望な結果をもたらした。 本稿ではまず,文献に見られる画像符号化手法の信号について概説する。 第2に,大規模なデータセットの可変性に対してより堅牢にするために,元の定式化のいくつかを変更することを提案する。 第三に、共通の教師なしタスクに基づいてそれらを比較し、同じディープラーニングアーキテクチャで使用する場合、エンコーディングの選択が結果にどのように影響するかを示す。 そこで,提案した修正を伴わずに6つの符号化アルゴリズムを比較した。 選択された符号化方法は、Gramian Angular Field、Markov Transition Field、Recurrentence plot、グレイスケールエンコーディング、Spectrogram、 scalogramである。 また,他の深層学習モデルの入力として使用される生信号との比較を行った。 いくつかのエンコーディングは競争上の優位性があり、ディープラーニングフレームワーク内で検討する価値があることを実証する。 比較は、エアバスSASが収集、リリースしたデータセット上で行われ、実際のヘリコプターの飛行試験から非常に複雑な振動の測定結果を含んでいる。 異なるエンコーディングは、異常検出の競合結果を提供する。

関連論文リスト

• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Augmenting Deep Learning Adaptation for Wearable Sensor Data through Combined Temporal-Frequency Image Encoding [4.458210211781739]
  本稿では、時間領域情報と周波数領域情報をシームレスに統合した、新しい修正繰り返しプロットベースの画像表現を提案する。 加速度センサを用いた活動認識データと事前訓練されたResNetモデルを用いて提案手法の評価を行い,既存の手法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2023-07-03T09:29:27Z)
• DCdetector: Dual Attention Contrastive Representation Learning for Time Series Anomaly Detection [26.042898544127503]
  時系列異常検出は幅広い用途において重要である。 時系列の通常のサンプル分布から逸脱したサンプルを識別することを目的としている。 マルチスケールな二重注意コントラスト表現学習モデルであるDCdetectorを提案する。
  論文  参考訳（メタデータ） (2023-06-17T13:40:15Z)
• Time Series as Images: Vision Transformer for Irregularly Sampled Time Series [32.99466250557855]
  本稿では,不規則なサンプル時系列を線グラフ画像に変換することによって,新しい視点を提案する。 次に、画像分類と同様に、時系列分類に強力な事前学習型視覚変換器を利用する。 注目すべきは、その単純さにもかかわらず、私たちのアプローチは、いくつかの一般的な医療および人間の活動データセットに関する最先端の特殊アルゴリズムよりも優れていることです。
  論文  参考訳（メタデータ） (2023-03-01T22:42:44Z)
• TimeMAE: Self-Supervised Representations of Time Series with Decoupled Masked Autoencoders [55.00904795497786]
  トランスフォーマネットワークに基づく転送可能な時系列表現を学習するための,新しい自己教師型パラダイムであるTimeMAEを提案する。 TimeMAEは双方向符号化方式を用いて時系列の豊富な文脈表現を学習する。 新たに挿入されたマスク埋め込みによって生じる不一致を解消するため、分離されたオートエンコーダアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2023-03-01T08:33:16Z)
• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:05:51Z)
• Multi-scale Anomaly Detection for Big Time Series of Industrial Sensors [50.6434162489902]
  そこで本研究では,自然にスムーズな時系列を復号・符号化する手法であるMissGANを提案する。 MissGANはラベルを必要としないし、通常のインスタンスのラベルだけを必要とするので、広く適用できます。
  論文  参考訳（メタデータ） (2022-04-18T04:34:15Z)
• Recurrent Auto-Encoder With Multi-Resolution Ensemble and Predictive Coding for Multivariate Time-Series Anomaly Detection [3.772827533440353]
  実世界の時系列データは複雑な時間的依存関係を示す。 RAE-M EPCは多解像度アンサンブルと予測符号化に基づいて情報正規表現を学習する。 実世界のベンチマークデータセットの実験は、提案されたモデルがベンチマークモデルより優れていることを示している。
  論文  参考訳（メタデータ） (2022-02-21T05:47:22Z)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• RobustTAD: Robust Time Series Anomaly Detection via Decomposition and Convolutional Neural Networks [37.16594704493679]
  本稿では,ロバスト時系列異常検出フレームワークRobustTADを提案する。 時系列データのために、堅牢な季節差分解と畳み込みニューラルネットワークを統合する。 パブリックオンラインサービスとしてデプロイされ、Alibaba Groupのさまざまなビジネスシナリオで広く採用されている。
  論文  参考訳（メタデータ） (2020-02-21T20:43:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。