論文の概要: Latent Space Unsupervised Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2207.11067v1
- Date: Fri, 22 Jul 2022 13:11:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-25 12:40:14.071532
- Title: Latent Space Unsupervised Semantic Segmentation
- Title(参考訳): 潜在空間教師なしセマンティックセマンティックセグメンテーション
- Authors: Knut J. Str{\o}mmen, Jim T{\o}rresen, Ulysse C\^ot\'e-Allard
- Abstract要約: 従来の変更点検出アルゴリズムには欠点があり、現実の応用性が制限されている。
本研究は,Latent Space Unsupervised (LS-USS) という新しい非教師付き多次元時系列を提案する。
LS-USSは、オフラインとリアルタイムの両方で、同等またはより良いパフォーマンスをシステマティックに達成する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The development of compact and energy-efficient wearable sensors has led to
an increase in the availability of biosignals. To analyze these continuously
recorded, and often multidimensional, time series at scale, being able to
conduct meaningful unsupervised data segmentation is an auspicious target. A
common way to achieve this is to identify change-points within the time series
as the segmentation basis. However, traditional change-point detection
algorithms often come with drawbacks, limiting their real-world applicability.
Notably, they generally rely on the complete time series to be available and
thus cannot be used for real-time applications. Another common limitation is
that they poorly (or cannot) handle the segmentation of multidimensional time
series. Consequently, the main contribution of this work is to propose a novel
unsupervised segmentation algorithm for multidimensional time series named
Latent Space Unsupervised Semantic Segmentation (LS-USS), which was designed to
work easily with both online and batch data. When comparing LS-USS against
other state-of-the-art change-point detection algorithms on a variety of
real-world datasets, in both the offline and real-time setting, LS-USS
systematically achieves on par or better performances.
- Abstract(参考訳): 小型でエネルギー効率のよいウェアラブルセンサーの開発により、バイオシグナールの可用性が向上した。
連続的に記録され、しばしば多次元の時系列を大規模に解析するために、意味のない教師なしデータセグメンテーションを実行できることは、注目に値する目標である。
これを実現する一般的な方法は、時系列内の変化点をセグメンテーション基底として識別することである。
しかし、従来の変更点検出アルゴリズムには欠点があり、現実の応用性が制限される。
特に、それらは一般的に利用可能な完全な時系列に依存しているため、リアルタイムアプリケーションでは使用できない。
もう一つの一般的な制限は、多次元の時系列のセグメンテーションをうまく扱えない(あるいはできない)ことである。
この研究の主な貢献は、オンラインデータとバッチデータの両方を容易に扱えるように設計された、Latent Space Unsupervised Semantic Segmentation (LS-USS)と呼ばれる、多次元時系列のための新しい非教師付きセグメンテーションアルゴリズムを提案することである。
LS-USSを、さまざまな実世界のデータセット上の、最先端の変更点検出アルゴリズムと比較する場合、オフラインとリアルタイムの両方で、LS-USSは、同等またはより良いパフォーマンスで体系的に達成される。
関連論文リスト
- SMORE: Similarity-based Hyperdimensional Domain Adaptation for
Multi-Sensor Time Series Classification [17.052624039805856]
マルチセンサ時系列分類のための新しい資源効率ドメイン適応(DA)アルゴリズムであるSMOREを提案する。
SMOREは、最先端(SOTA)のDNNベースのDAアルゴリズムよりも平均1.98%高い精度で18.81倍高速トレーニングと4.63倍高速推論を実現している。
論文 参考訳(メタデータ) (2024-02-20T18:48:49Z) - 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) - Low Latency Instance Segmentation by Continuous Clustering for Rotating
LiDAR Sensors [4.73194777046253]
LiDARポイントクラウドの低レイテンシインスタンスセグメンテーションは、現実世界のアプリケーションでは不可欠である。
我々は、インスタンス分割された点雲を得るために障害点を連続的にクラスタリングする。
スキャン開始点と終了点の間に問題のある不連続性は見られなかった。
論文 参考訳(メタデータ) (2023-11-23T12:42:52Z) - A Bi-LSTM Autoencoder Framework for Anomaly Detection -- A Case Study of
a Wind Power Dataset [2.094022863940315]
異常(英: Anomalies)とは、通常および同質の事象から逸脱するデータポイントまたはイベントを指す。
本研究では,Bi-LSTMアーキテクチャとAutoencoderを組み合わせた時系列異常検出フレームワークを提案する。
Bi-LSTM Autoencoderモデルは96.79%の分類精度を達成し、より一般的なLSTM Autoencoderモデルよりも優れていた。
論文 参考訳(メタデータ) (2023-03-17T00:24:28Z) - Spatiotemporal k-means [63.230991774875044]
時空間クラスタリングは、人間の監督なしに動く物体のパターンや傾向を効率的に発見する必要性に対処する。
データクラスタ内のマルチテンポラリな関係を解析できるSTKMを提案する。
STKMは,特に低データ領域において,既存の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) (2022-11-10T04:40:31Z) - 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) - Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。
我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。
ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
論文 参考訳(メタデータ) (2021-10-11T13:33:18Z) - Prototypical Cross-Attention Networks for Multiple Object Tracking and
Segmentation [95.74244714914052]
複数のオブジェクトのトラッキングとセグメンテーションには、与えられたクラスのセットに属するオブジェクトを検出し、追跡し、セグメンテーションする必要がある。
オンライン上でリッチ・テンポラル情報を活用するプロトタイプ・クロス・アテンション・ネットワーク(PCAN)を提案する。
PCANは、Youtube-VISとBDD100Kデータセットで、現在のビデオインスタンス追跡とセグメンテーションコンテストの勝者を上回っている。
論文 参考訳(メタデータ) (2021-06-22T17:57:24Z) - Unsupervised Representation Learning for Time Series with Temporal
Neighborhood Coding [8.45908939323268]
非定常時系列に対する一般化可能な表現を学習するための自己教師型フレームワークを提案する。
我々のモチベーションは、時系列データの動的性質をモデル化する能力が特に有用である医療分野に起因している。
論文 参考訳(メタデータ) (2021-06-01T19:53:24Z) - STEP: Segmenting and Tracking Every Pixel [107.23184053133636]
新しいベンチマークを示す: Segmenting and Tracking Every Pixel (STEP)
私たちの仕事は、空間領域と時間領域の両方で密な解釈を必要とする現実世界の設定で、このタスクをターゲットとする最初のものです。
性能を測定するために,新しい評価指標と追跡品質(STQ)を提案する。
論文 参考訳(メタデータ) (2021-02-23T18:43:02Z)
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。