[論文レビュー] Cascaded Contextual Region-based Convolutional Neural Network for Event Detection from Time Series Signals: A Seismic Application.

Yue Wu, Youzuo Lin+4 more|arXiv (Cornell University)|Sep 12, 2017

Anomaly Detection Techniques and Applications被引用数 2

ひとこと要約

本論文では、時系列におけるイベント検出のための段階的文脈的領域ベースCNNを提案する。イベントは、各タイムスティップを独立に分類するのではなく、開始-終了座標の回帰によってモデル化する。多スケールの受容 field をアンカーとして活用し、穴あき畳み込み（dilated convolutions）を用いて文脈モデリングを統合することで、長さが変動する地震イベントの検出が向上し、欠落した正例を扱うためにラベル依存型損失関数を用いることで優れた性能を達成する。

ABSTRACT

Many existing event detection models are point-wised, meaning they classify data points at each timestamp. In this paper, inspired by object detection in 2D imagery, we propose a CNN-based model to give two coordinates for each event denoting the beginning and end. To capture events with dramatically various lengths, we develop a cascaded model which consists of more downsampling layers and we directly use receptive fields as anchors. The take into account the temporal correlation of proposals, we build a contextual block inspired by atrous convolutions. Label dependent loss is used to mitigate the impact caused by omitted positive events.

研究の動機と目的

• 各タイムスティップを独立に分類する点別分類モデルの限界、特にイベント境界を捉えられない点を是正すること。
• 地震信号においてはミリ秒から数秒にわたる多様な継続時間を有するイベントを、時系列データ内でモデル化すること。
• 固定サイズのスライディングウィンドウや点予測に依存せず、直接的にイベントの開始時刻と終了時刻を回帰することで検出性能を向上させること。
• 提案された領域内における長距離依存性モデリングを向上させるために、アトロス畳み込み（atrous convolutions）を模倣した文脈ブロックを用いて、タイムスケールの文脈を統合すること。
• 学習中に正例が欠落する影響を軽減するため、ラベル依存型損失関数を導入すること。

提案手法

• イベントの長さに応じて変化する受容 field をアンカーとして用い、段階的なアーキテクチャによりダウンサンプリング層を段階的に増加させ、さまざまな長さのイベントを捉える。
• 提案された文脈ブロックは、穴あき（アトロス）畳み込みに基づき、提案領域内での長距離時系列依存性をモデル化する。
• イベント検出は、各イベントの開始時刻と終了時刻を予測する回帰タスクとして定式化され、タイムスティップごとの分類とは異なる。
• 学習中に正例が欠落する影響を軽減するため、ラベル依存型損失関数を採用し、モデルの頑健性を向上させる。
• アンカーは各段階における受容 field のサイズによって動的に定義され、アンカーボックスのハイパーパrameterを必要とせず、多スケール検出を可能にする。
• 共有された特徴抽出機構を全検出ヘッドに適用するため、エンドツーエンドで学習可能なアーキテクチャである。

実験結果

リサーチクエスチョン

• RQ1 領域ベースのCNNアプローチは、点別分類法と比較して、時系列におけるイベント検出を改善できるか？
• RQ2 多スケールの受容 field を有する段階的アーキテクチャは、長さが著しく変動するイベントを効果的に検出できるか？
• RQ3 穴あき畳み込みによる文脈モデリングは、長距離時系列依存性の検出性能をどの程度向上させるか？
• RQ4 ラベル依存型損失関数は、学習データにおける正例の欠落に起因する影響をどの程度軽減できるか？
• RQ5 アンカーレス検出（受容 field をアンカーとして使用）は、従来のアンカーベース手法を地震イベント検出において上回る性能を示せるか？

主な発見

• 提案された段階的領域ベースCNNは、複数のデータセットにおいて点別分類モデルを上回る性能で地震イベントを検出する。
• 受容 field をアンカーとして用いることで、事前に定義されたアンカーボックスの必要性がなくなり、学習が簡素化され、一般化性能が向上する。
• 穴あき畳み込みに基づく文脈ブロックは、長時間イベントの検出精度を顕著に向上させ、時系列的文脈を捉える。
• ラベル依存型損失関数は、正例が欠落している場合の性能低下を軽減し、とくに正例が希少な状況でも有効である。
• ベンチマークとしての地震イベント検出タスクにおいて、最先端の性能を達成し、F1スコアと平均平均精度（mean average precision）に顕著な向上を示す。
• 短時間のトランスジェントから長時間の地震フェーズに至るまで、多様なイベント長に対して高いロバスト性を示す。