[论文解读] 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 2

一句话总结

本文提出一种级联式上下文区域基础CNN用于时间序列中的事件检测，通过回归事件的起始-结束坐标而非逐点分类来建模事件。通过利用多尺度感受野作为锚点，并结合空洞卷积实现的上下文建模，该方法提升了对可变长度地震事件的检测性能，采用标签相关损失函数以处理缺失正样本。

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.

研究动机与目标

• 解决逐点事件检测模型独立分类每个时间戳的局限性，此类方法无法捕捉事件边界。
• 在时间序列中建模高度可变持续时间的事件，特别是在地震信号中，事件持续时间从毫秒到秒不等。
• 通过直接回归事件起始和结束时间而非依赖固定大小的滑动窗口或点预测，提升检测性能。
• 通过受空洞卷积启发的上下文模块，在提议区域中建模时间上下文，以更好地捕捉长程依赖关系。
• 通过标签相关损失函数减轻训练过程中遗漏正样本的影响。

提出的方法

• 模型采用级联架构，通过逐步下采样的层捕捉不同长度的事件，使用感受野作为锚点生成区域提议。
• 引入基于空洞（空洞）卷积的上下文模块，以在提议区域内建模长程时间依赖关系。
• 将事件检测建模为回归任务，为每个事件预测起始和结束时间戳，而非逐时间戳分类。
• 模型采用标签相关损失函数，在训练中对缺失正样本进行调整，提升鲁棒性。
• 锚点由每级的感受野大小动态定义，实现无需锚框超参数的多尺度检测。
• 架构端到端可训练，级联中所有检测头共享特征提取。

实验结果

研究问题

• RQ1 与逐点分类方法相比，基于区域的CNN方法是否能提升时间序列中的事件检测性能？
• RQ2 具有多尺度感受野的级联架构在检测高度可变持续时间的事件方面效果如何？
• RQ3 通过空洞卷积实现的上下文建模在长程时间依赖关系建模方面能多大程度上提升检测性能？
• RQ4 标签相关损失函数如何减轻训练数据中缺失正样本的影响？
• RQ5 在地震事件检测中，使用感受野作为锚点的无锚检测方法是否能优于传统的锚框方法？

主要发现

• 所提出的级联区域基础CNN在多个数据集上检测地震事件的表现优于逐点分类模型。
• 使用感受野作为锚点消除了对预定义锚框的需求，简化了训练过程并提升了泛化能力。
• 基于空洞卷积的上下文模块通过捕捉时间上下文，显著提升了对长持续时间事件的检测准确率。
• 标签相关损失函数降低了因遗漏正样本导致的性能下降，尤其在事件稀疏场景中表现更优。
• 该模型在基准地震事件检测任务上达到最先进水平，F1分数和平均精度均实现可测量的提升。
• 该方法在从短时瞬态到长期地震阶段的多样化事件长度中均表现出强鲁棒性。