[论文解读] Classification of Time-Series Images Using Deep Convolutional Neural Networks

Nima Hatami, Yann Gavet+1 more|arXiv (Cornell University)|Oct 2, 2017

Time Series Analysis and Forecasting参考文献 21被引用 89

一句话总结

本研究将时间序列编码为递归图像，并使用两阶段 CNN 联合学习特征与分类器进行时间序列分类，在 UCR 归档上报告了具有竞争力的结果。

ABSTRACT

Convolutional Neural Networks (CNN) has achieved a great success in image recognition task by automatically learning a hierarchical feature representation from raw data. While the majority of Time-Series Classification (TSC) literature is focused on 1D signals, this paper uses Recurrence Plots (RP) to transform time-series into 2D texture images and then take advantage of the deep CNN classifier. Image representation of time-series introduces different feature types that are not available for 1D signals, and therefore TSC can be treated as texture image recognition task. CNN model also allows learning different levels of representations together with a classifier, jointly and automatically. Therefore, using RP and CNN in a unified framework is expected to boost the recognition rate of TSC. Experimental results on the UCR time-series classification archive demonstrate competitive accuracy of the proposed approach, compared not only to the existing deep architectures, but also to the state-of-the art TSC algorithms.

研究动机与目标

• 激励时间序列分类（TSC）并回顾传统的 TSC 方法。
• 提出将时间序列转换为递归图像以利用 CNN 的能力。
• 开发一个两阶段的 CNN 架构，实现端到端的特征学习和分类。
• 在 UCR 时间序列数据集档案上评估该方法，并与最先进的方法进行比较。

提出的方法

• 在不二值化的情况下将一维时间序列转换为二维递归纹理图像（RP 图像）。
• 使用具有 32(5)-2-32(5)-2-128-c 架构及 ReLU 激活的两阶段 CNN。
• 使用分类交叉熵损失和 Adam 优化器，通过随机梯度下降进行训练。
• 输入图像大小为 28x28、56x56 或 64x64，包含 2 个卷积层、2 个池化层，以及一个 128 个神经元的隐藏层。
• 将性能与 1-NN DTW、Shapelet、BoP、SAX-VSM、TFRP、MCNN 和 GAF-MTF 基线进行比较。
• 代码可用，实验使用包含 20 个选定数据集的 UCR 归档。

实验结果

研究问题

• RQ1 基于递归图的图像表示是否能够使 CNN 在 TSC 任务中实现具有竞争力的表现？
• RQ2 RP+CNN 流水线在标准基准上与现有的 TSC 方法及其他基于 CNN 的方法相比如何？
• RQ3 基于 RP 的编码与 CNN 架构选择对分类准确度有何影响？

主要发现

• RP+CNN 方法在 20 个选定的 UCR 数据集上取得 10 场胜利。
• 所提出方法的平均排名为 2.15，与 MCNN (2.36) 和 SAX-VSM (3.0) 相竞争。
• 带有 CNN 的 RP 图像在性能上超越了传统的基于 RP 的 SVM/纹理描述符（TFRP）和 GAF-MTF 的 CNN 方法。
• 研究表明 RP 编码为 TSC 提供了比某些替代的基于图像的编码更具判别性的特征。
• 所提出的管线展示了在基于 CNN 的 TSC 中，编码选择对时间序列图像的重要性。
• CNN 以端到端方式同时学习特征和分类器，提升了相对于手工特征或分开训练的特征的性能。