論文の概要: MultiRocket: Effective summary statistics for convolutional outputs in
time series classification
- arxiv url: http://arxiv.org/abs/2102.00457v1
- Date: Sun, 31 Jan 2021 14:04:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-02 22:56:19.814246
- Title: MultiRocket: Effective summary statistics for convolutional outputs in
time series classification
- Title(参考訳): MultiRocket: 時系列分類における畳み込み出力の効率的な要約統計
- Authors: Chang Wei Tan and Angus Dempster and Christoph Bergmeir and Geoffrey
I. Webb
- Abstract要約: 我々は,MiniRocket(およびRocket)の精度を大幅に向上させることが可能であることを示す。
変換によって生成された機能のセットを拡張することで、UCRアーカイブ内のデータセット上で、MultiRocket(MultiRocket with Multiple Features)を最も正確な方法にしました。
- 参考スコア(独自算出の注目度): 5.857382887020592
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rocket and MiniRocket, while two of the fastest methods for time series
classification, are both somewhat less accurate than the current most accurate
methods (namely, HIVE-COTE and its variants). We show that it is possible to
significantly improve the accuracy of MiniRocket (and Rocket), with some
additional computational expense, by expanding the set of features produced by
the transform, making MultiRocket (for MiniRocket with Multiple Features)
overall the single most accurate method on the datasets in the UCR archive,
while still being orders of magnitude faster than any algorithm of comparable
accuracy other than its precursors
- Abstract(参考訳): RocketとMiniRocketは、時系列分類において最速の2つの手法であるが、どちらも現在の最も正確な方法(HIVE-COTEとその変種)よりも若干精度が低い。
本研究では,MiniRocket(およびRocket)の精度を大幅に向上させ,さらに計算コストを掛けて,変換によって生成された機能のセットを拡大することで,マルチロケット(MiniRocket with Multiple Features)をUCRアーカイブのデータセット上で最も正確なメソッドとして,全体として実現することが可能であることを示した。
関連論文リスト
- RTMO: Towards High-Performance One-Stage Real-Time Multi-Person Pose
Estimation [49.441241947514975]
RTMOは座標分類をシームレスに統合する一段階のポーズ推定フレームワークである。
高速を維持しながらトップダウン手法に匹敵する精度を達成する。
私たちの最大のモデルであるRTMO-lは、COCO val 2017で74.8%AP、1つのV100 GPUで141FPSを実現しています。
論文 参考訳(メタデータ) (2023-12-12T18:55:29Z) - P-ROCKET: Pruning Random Convolution Kernels for Time Series
Classification from a Feature Selection Perspective [8.857676036929245]
2つの時系列分類モデル、ROCKETとMINIROCKETは、特徴を捉えるために多数のランダムな1-D畳み込みカーネルを必要とする。
本稿では,効果的にモデルを作成するための2つの革新的アルゴリズムを提案する。
実験の結果、P-ROCKETは精度を著しく低下させることなく最大60%のカーネルを産み出し、P-ROCKETよりも11倍高速であることがわかった。
論文 参考訳(メタデータ) (2023-09-15T16:03:23Z) - Back to Basics: A Sanity Check on Modern Time Series Classification
Algorithms [5.225544155289783]
新たな分類器の急激な開発では、ステップバックして単純なベースラインチェックを実行することが不可欠である。
これらのチェックは、しばしば見過ごされる。研究者たちは、新しい最先端の結果を確立し、スケーラブルなアルゴリズムを開発し、モデルを説明可能にすることに注力している。
論文 参考訳(メタデータ) (2023-08-15T17:23:18Z) - Rapid Person Re-Identification via Sub-space Consistency Regularization [51.76876061721556]
Person Re-Identification (ReID) は、歩行者を分離したカメラで識別する。
実値特徴記述子を用いた既存のReID法は精度が高いが、ユークリッド距離計算が遅いため効率が低い。
本稿では,ReID 処理を 0.25 倍高速化するサブスペース一貫性規則化 (SCR) アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-07-13T02:44:05Z) - Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。
NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。
我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-06-23T09:35:03Z) - Stress-Testing LiDAR Registration [52.24383388306149]
本稿では,LiDARデータセットからフレームペアの挑戦的集合である平衡登録集合を選択する手法を提案する。
おそらく予想外のことに、最も高速かつ同時に正確なアプローチは、先進RANSACのバージョンであることがわかった。
論文 参考訳(メタデータ) (2022-04-16T05:10:55Z) - Taking ROCKET on an Efficiency Mission: Multivariate Time Series
Classification with LightWaveS [3.5786621294068373]
正確な多変量時系列分類のためのフレームワークLightWaveSを提案する。
ROCKETの機能はわずか2.5%しか採用していないが、最近のディープラーニングモデルに匹敵する精度を実現している。
エッジデバイス上での推論において, ROCKETと比較して9倍から65倍のスピードアップを実現していることを示す。
論文 参考訳(メタデータ) (2022-04-04T10:52:20Z) - VSAC: Efficient and Accurate Estimator for H and F [68.65610177368617]
VSACはRANSAC型頑健な推定器であり、多くの新奇性がある。
従来のすべてのプロセッサよりも大幅に高速で、CPU上では平均1-2msで動作する。
現在最も正確な2次元幾何学推定器である MAGSAC++ と同等の精度で2桁高速である。
論文 参考訳(メタデータ) (2021-06-18T17:04:57Z) - MINIROCKET: A Very Fast (Almost) Deterministic Transform for Time Series
Classification [5.519586522442065]
ROCKETは、既存の手法の計算コストのごく一部で最先端の精度を達成する。
ROCKETを新しい方法であるMINIROCKETに改質し、より大きなデータセットで最大75倍高速にします。
UCRアーカイブから最先端の精度まで、すべての109データセットの分類器を10分以内でトレーニングし、テストすることができる。
論文 参考訳(メタデータ) (2020-12-16T08:24:09Z) - Faster Person Re-Identification [68.22203008760269]
本稿では,新しいハッシュコード検索戦略を定式化することによって,高速ReIDのための新しいソリューションを提案する。
より短いコードを使用して、より正確なReIDのいくつかのトップ候補を洗練するために、より広い一致の類似性を粗くランク付けし、より長いコードを使用する。
2つのデータセットに対する実験結果から,提案手法(CtF)は現在のハッシュReID法よりも8%精度が高いだけでなく,5倍高速であることがわかった。
論文 参考訳(メタデータ) (2020-08-16T03:02:49Z)
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。