論文の概要: Plotting time: On the usage of CNNs for time series classification
- arxiv url: http://arxiv.org/abs/2102.04179v1
- Date: Mon, 8 Feb 2021 13:23:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-10 05:32:12.182238
- Title: Plotting time: On the usage of CNNs for time series classification
- Title(参考訳): Plotting Time:時系列分類におけるCNNの利用について
- Authors: Nuno M. Rodrigues, Jo\~ao E. Batista, Leonardo Trujillo, Bernardo
Duarte, Mario Giacobini, Leonardo Vanneschi, Sara Silva
- Abstract要約: 時系列データをプロット画像として表現し,それを単純なCNNに供給する,時系列分類のための新しい手法を提案する。
われわれのアプローチは非常に有望であり、6つのUCRデータセットにおいて、実世界のデータセットで最高の結果を得るとともに、最高の最先端のメソッドをマッチング/ビーティングします。
- 参考スコア(独自算出の注目度): 1.0390583509657398
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a novel approach for time series classification where we represent
time series data as plot images and feed them to a simple CNN, outperforming
several state-of-the-art methods. We propose a simple and highly replicable way
of plotting the time series, and feed these images as input to a non-optimized
shallow CNN, without any normalization or residual connections. These
representations are no more than default line plots using the time series data,
where the only pre-processing applied is to reduce the number of white pixels
in the image. We compare our method with different state-of-the-art methods
specialized in time series classification on two real-world non public
datasets, as well as 98 datasets of the UCR dataset collection. The results
show that our approach is very promising, achieving the best results on both
real-world datasets and matching / beating the best state-of-the-art methods in
six UCR datasets. We argue that, if a simple naive design like ours can obtain
such good results, it is worth further exploring the capabilities of using
image representation of time series data, along with more powerful CNNs, for
classification and other related tasks.
- Abstract(参考訳): 本稿では、時系列データをプロット画像として表現し、それらを単純なCNNに供給する時系列分類の新たなアプローチを提案する。
時系列をプロットし,非最適化な浅層cnnへの入力として,正規化や残余接続を必要とせず,簡易かつ高い再現性を持つ手法を提案する。
これらの表現は、時系列データを用いたデフォルトのラインプロットに過ぎず、画像内の白ピクセル数を減らすためにのみ前処理が適用される。
本手法を実世界の2つの非パブリックデータセットとudrデータセットコレクションの98データセットの時系列分類に特化した異なる最先端手法と比較する。
その結果、我々のアプローチは非常に有望であることが示され、6つのUCRデータセットにおいて、実世界のデータセットとマッチング/ビーティングの両方で最高の結果を得ることができた。
我々のような単純なナイーブな設計でこのような良い結果が得られるならば、より強力なCNNとともに時系列データのイメージ表現を、分類やその他の関連するタスクに活用する能力をさらに探求する価値があると論じる。
関連論文リスト
- Image Clustering via the Principle of Rate Reduction in the Age of Pretrained Models [37.574691902971296]
本稿では,大規模事前学習モデルの強力な特徴表現を利用した画像クラスタリングパイプラインを提案する。
パイプラインは、CIFAR-10、CIFAR-100、ImageNet-1kなどの標準データセットでうまく動作することを示す。
論文 参考訳(メタデータ) (2023-06-08T15:20:27Z) - LB-SimTSC: An Efficient Similarity-Aware Graph Neural Network for
Semi-Supervised Time Series Classification [4.7828959446344275]
本稿では,新しいグラフ構築モジュールを用いた,効率的な半教師付き時系列分類手法 LB-SimTSC を提案する。
LB_Keoghを用いてペア距離行列を構築し,グラフニューラルネットワークのためのグラフを構築する。
その結果、大規模なデータセット上でグラフを構築する場合、このアプローチはSimTSCの最大104倍高速であることが示された。
論文 参考訳(メタデータ) (2023-01-12T06:49:55Z) - Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。
本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。
実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
論文 参考訳(メタデータ) (2022-10-26T15:21:39Z) - Scrape, Cut, Paste and Learn: Automated Dataset Generation Applied to
Parcel Logistics [58.720142291102135]
4つのステップでインスタンスセグメンテーションのための合成データセットを生成するために,完全に自動化されたパイプラインを提案する。
まず、人気のある画像検索エンジンから興味ある対象の画像を抽出する。
画像選択には,オブジェクトに依存しない事前処理,手動画像選択,CNNに基づく画像選択の3つの方法を比較する。
論文 参考訳(メタデータ) (2022-10-18T12:49:04Z) - STING: Self-attention based Time-series Imputation Networks using GAN [4.052758394413726]
GANを用いたSING(Self-attention based Time-Series Imputation Networks)を提案する。
我々は、時系列の潜在表現を学習するために、生成的対向ネットワークと双方向リカレントニューラルネットワークを利用する。
3つの実世界のデータセットによる実験結果から、STINGは既存の最先端手法よりも計算精度が優れていることが示された。
論文 参考訳(メタデータ) (2022-09-22T06:06:56Z) - 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) - Feature transforms for image data augmentation [74.12025519234153]
画像分類において、多くの拡張アプローチは単純な画像操作アルゴリズムを利用する。
本研究では,14種類の拡張アプローチを組み合わせて生成した画像を追加することで,データレベルでのアンサンブルを構築する。
事前トレーニングされたResNet50ネットワークは、各拡張メソッドから派生した画像を含むトレーニングセットに基づいて微調整される。
論文 参考訳(メタデータ) (2022-01-24T14:12:29Z) - Tune It or Don't Use It: Benchmarking Data-Efficient Image
Classification [9.017660524497389]
様々な領域にまたがる6つの多様なデータセットからなるデータ効率画像分類のためのベンチマークを設計する。
我々は、2017年から2021年にかけて、標準のクロスエントロピーベースラインとデータ効率の高いディープラーニングの8つの手法を再評価した。
学習率、ウェイト崩壊、バッチサイズを個別の検証で調整すると、高い競争力を持つベースラインとなる。
論文 参考訳(メタデータ) (2021-08-30T11:24:51Z) - Multi-dataset Pretraining: A Unified Model for Semantic Segmentation [97.61605021985062]
我々は、異なるデータセットの断片化アノテーションを最大限に活用するために、マルチデータセット事前訓練と呼ばれる統合フレームワークを提案する。
これは、複数のデータセットに対して提案されたピクセルからプロトタイプへのコントラスト損失を通じてネットワークを事前トレーニングすることで実現される。
異なるデータセットからの画像とクラス間の関係をより良くモデル化するために、クロスデータセットの混合によりピクセルレベルの埋め込みを拡張する。
論文 参考訳(メタデータ) (2021-06-08T06:13:11Z) - Visualising Deep Network's Time-Series Representations [93.73198973454944]
機械学習モデルの普及にもかかわらず、多くの場合、モデルの内部で起きていることに関する洞察のないブラックボックスとして運用される。
本稿では,多次元時系列データの可視化に着目し,この問題に対処する手法を提案する。
高周波在庫市場データセットの実験は、この方法が迅速かつ識別可能な可視化を提供することを示しています。
論文 参考訳(メタデータ) (2021-03-12T09:53:34Z)
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。