論文の概要: TimePoint: Accelerated Time Series Alignment via Self-Supervised Keypoint and Descriptor Learning

• arxiv url: http://arxiv.org/abs/2505.23475v1
• Date: Thu, 29 May 2025 14:26:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.899076
• Title: TimePoint: Accelerated Time Series Alignment via Self-Supervised Keypoint and Descriptor Learning
• Title（参考訳）: TimePoint: 自己監督型キーポイントとディスクリプタ学習による時系列アライメントの高速化
• Authors: Ron Shapira Weber, Shahar Ben Ishay, Andrey Lavrinenko, Shahaf E. Finder, Oren Freifeld,
• Abstract要約: TimePointは、時系列の高速かつスケーラブルなアライメントを自己管理する手法である。 これは2Dキーポイント検出にインスパイアされているが、1D信号のユニークな課題に慎重に適応している。 TimePointは標準DTWよりも高速で正確なアライメントを実現している。
• 参考スコア（独自算出の注目度）: 9.099291890744201
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fast and scalable alignment of time series is a fundamental challenge in many domains. The standard solution, Dynamic Time Warping (DTW), struggles with poor scalability and sensitivity to noise. We introduce TimePoint, a self-supervised method that dramatically accelerates DTW-based alignment while typically improving alignment accuracy by learning keypoints and descriptors from synthetic data. Inspired by 2D keypoint detection but carefully adapted to the unique challenges of 1D signals, TimePoint leverages efficient 1D diffeomorphisms, which effectively model nonlinear time warping, to generate realistic training data. This approach, along with fully convolutional and wavelet convolutional architectures, enables the extraction of informative keypoints and descriptors. Applying DTW to these sparse representations yield major speedups and typically higher alignment accuracy than standard DTW applied to the full signals. TimePoint demonstrates strong generalization to real-world time series when trained solely on synthetic data, and further improves with fine-tuning on real data. Extensive experiments demonstrate that TimePoint consistently achieves faster and more accurate alignments than standard DTW, making it a scalable solution for time-series analysis. Our code is available at https://github.com/BGU-CS-VIL/TimePoint
• Abstract（参考訳）: 時系列の高速かつスケーラブルなアライメントは多くの領域において根本的な課題である。 標準的なソリューションであるDynamic Time Warping (DTW)は、スケーラビリティの低下とノイズに対する感受性に悩まされている。 我々は、DTWベースのアライメントを劇的に高速化する自己教師型メソッドであるTimePointを紹介し、通常、合成データからキーポイントとディスクリプタを学習することでアライメントの精度を向上する。 2Dキーポイント検出にインスパイアされたTimePointは、1D信号のユニークな課題に慎重に対応し、非線形時間ワープを効果的にモデル化する効率的な1D微分同相を利用して、現実的なトレーニングデータを生成する。 このアプローチは、完全な畳み込みとウェーブレット畳み込みアーキテクチャと共に、情報的キーポイントとディスクリプタの抽出を可能にする。 これらのスパース表現にDTWを適用すると、大きなスピードアップが発生し、通常は全信号に適用される標準DTWよりも高いアライメント精度が得られる。 TimePointは、合成データのみに訓練された実世界の時系列に対して強力な一般化を示し、実際のデータの微調整によりさらに改善される。 大規模な実験により、TimePointは標準DTWよりも高速で正確なアライメントを一貫して達成し、時系列分析のスケーラブルなソリューションであることが示された。 私たちのコードはhttps://github.com/BGU-CS-VIL/TimePointで利用可能です。

関連論文リスト

• SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
  SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。 SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。 強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2025-03-25T17:59:57Z)
• Deep Time Warping for Multiple Time Series Alignment [0.0]
  時系列アライメントは多くの実世界のアプリケーションで信号処理において重要なタスクである。 本稿では,深層学習技術を活用した複数時系列アライメントのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-22T18:55:51Z)
• SONNET: Enhancing Time Delay Estimation by Leveraging Simulated Audio [17.811771707446926]
  学習に基づく手法は、合成データにもとづいても、新しい実世界のデータに基づいてGCC-PHATを著しく上回り得ることを示す。 トレーニングされたモデルであるSONNETは、リアルタイムに実行可能で、多くの実データアプリケーションのために、最初から新しいデータに取り組んでいます。
  論文  参考訳（メタデータ） (2024-11-20T10:23:21Z)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• TAPIR: Tracking Any Point with per-frame Initialization and temporal Refinement [64.11385310305612]
  本稿では,ビデオシーケンスを通して任意の物理面上の問合せ点を効果的に追跡する,TAP(Tracking Any Point)の新しいモデルを提案する。 提案手法では,(1)他のフレームの問合せ点に対する適切な候補点マッチングを独立に特定するマッチング段階と,(2)局所的相関に基づいてトラジェクトリと問合せの両方を更新する改良段階の2段階を用いる。 結果として得られたモデルは、DAVISにおける平均約20%の絶対平均ジャカード(AJ)改善によって示されるように、TAP-Vidベンチマークにおける大きなマージンで、すべてのベースライン手法を上回ります。
  論文  参考訳（メタデータ） (2023-06-14T17:07:51Z)
• OTW: Optimal Transport Warping for Time Series [75.69837166816501]
  動的時間温暖化(DTW)は時系列間の距離を測定するための実用的な選択肢となっている。 最適アライメント行列を正確に計算する必要がある場合、それは避けられない二次時間複雑性に悩まされる。 我々は、OTW(Optimal Transport Warping)と呼ばれる、最適輸送フレームワークに基づく時系列データのための新しいメトリクスを導入する。
  論文  参考訳（メタデータ） (2023-06-01T12:45:00Z)
• Deep Declarative Dynamic Time Warping for End-to-End Learning of Alignment Paths [54.53208538517505]
  本稿では、動的時間ワープ(DTW)による時間的アライメントステップを含む時系列データのエンドツーエンド学習モデルについて述べる。 そこで我々は,2レベル最適化とDecDTWと呼ばれる深層宣言ネットワークに基づくDTW層を提案する。 この特性は、下流損失関数が最適アライメントパス自身で定義されるアプリケーションに特に有用であることを示す。
  論文  参考訳（メタデータ） (2023-03-19T21:58:37Z)
• CPGNet: Cascade Point-Grid Fusion Network for Real-Time LiDAR Semantic Segmentation [8.944151935020992]
  本稿では,有効性と効率を両立するカスケードポイントグリッド融合ネットワーク(CPGNet)を提案する。 アンサンブルモデルやTTAのないCPGNetは最先端のRPVNetと同等だが、4.7倍高速である。
  論文  参考訳（メタデータ） (2022-04-21T06:56:30Z)
• IDEA-Net: Dynamic 3D Point Cloud Interpolation via Deep Embedding Alignment [58.8330387551499]
  我々は、点方向軌跡(すなわち滑らかな曲線)の推定として問題を定式化する。 本稿では,学習した時間的一貫性の助けを借りて問題を解消する,エンドツーエンドのディープラーニングフレームワークであるIDEA-Netを提案する。 各種点群における本手法の有効性を実証し, 定量的かつ視覚的に, 最先端の手法に対する大幅な改善を観察する。
  論文  参考訳（メタデータ） (2022-03-22T10:14:08Z)
• DTWSSE: Data Augmentation with a Siamese Encoder for Time Series [8.019203034348083]
  本稿では,DTWSSE という名前のサイムズエンコーダを用いた DTW に基づく合成マイノリティオーバーサンプリング手法を提案する。 時系列の距離を合理的に測定するために、有効な方法として検証されたDTWを距離計量として用いる。 エンコーダは、DTW隠れ空間からユークリッド深い特徴空間に時系列データをマッピングするニューラルネットワークであり、デコーダを使用して、深い特徴空間をDTW隠れ空間にマッピングする。
  論文  参考訳（メタデータ） (2021-08-23T01:46:24Z)
• Time Series Data Augmentation for Neural Networks by Time Warping with a Discriminative Teacher [17.20906062729132]
  本稿では,ガイド付きワープと呼ばれる新しい時系列データ拡張を提案する。 ガイド付きワープは動的時間ワープ(DTW)と形状DTWの要素アライメント特性を利用する。 我々は、深部畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を用いて、2015 UCR Time Series Archiveにある85のデータセットすべてに対する手法の評価を行った。
  論文  参考訳（メタデータ） (2020-04-19T06:33:44Z)

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。