Classication of Time-Series Images Using Deep Convolutional Neural Networks[用深度卷积神经网络对时序图分类]

最新推荐文章于 2025-05-28 07:30:00 发布
原创 最新推荐文章于 2025-05-28 07:30:00 发布 · 3.3k 阅读 · 26 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#ICMV2017 #时序分类 #time-series classification #RP图 #deep cnn

本文提出一种将时间序列转化为二维纹理图像再利用深度卷积神经网络（CNN）进行分类的方法。通过递归图（RP）将时序数据转为图像，然后用深度CNN进行识别，实现在UCR时间序列分类数据集上的高精度表现。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

今天要分享的论文是ICMV2017的一篇非常巧妙的论文。作者是

论文下载链接：https://arxiv.org/abs/1710.00886

关于论文的源码下载链接：https://sites.google.com/site/nimahatami/projects（然而，这个链接，反正我是被墙了，挂VPN好像也没什么用，然后向作者Hatami求助才下载到）这篇论文的源码很短，看上去很简单，嗯，看上去。我还没细看，但已经跑过了。

论文的PDF和源码，还有我的PPT，都上传到优快云下载资源里面，链接在此：

https://download.youkuaiyun.com/download/luolan9611/10537857

如果讲解有误，虚心接受指正。

1.摘要概括：

       大多数时间序列分类（TSC）文献都针对于一维信号，但本文使用递归图RP将时间序列转换为二维纹理图像，然后利用深度CNN分类器识别。本文将序列分类问题转换为了图像识别分类问题，针对UCR时间序列分类档案馆（UCR time-series classication archive）的数据集进行实验，证明了所提出方法与现有的深层架构和最先进的TSC算法相比都有极大的准确性。

最低0.47元/天 解锁文章

200万优质内容无限畅学
AlexNet论文翻译（中英文对照版）-ImageNet Classification with Deep Convolutional Neural Networks
bigcindy的博客
04-15 5327
ImageNet Classification with Deep Convolutional Neural Networks 深度卷积神经网络的ImageNet分类 Alex Krizhevsky University of Toronto 多伦多大学 kriz@cs.utoronto.ca Ilya Sutskever Univ...
从图嵌入算法到图神经网络
热门推荐
luv_dusk 的博客
08-13 1万+
近几年来，伴随着计算机算力的急剧提升，神经网络从历史的尘埃中走出，横扫各大领域，完成一次次颠覆性的创新。依托高度弹性的参数结构，线性与非线性的矩阵变换，神经网络能适用于各式各样的数学场景，在各个类别的应用上我们都能看到神经网络的影子。其中著名的应用方向，包括自然语言处理、计算机视觉、机器学习、生物医疗、推荐系统、自动驾驶等等。图神经网络，广泛应用于社交关系、知识图谱、推荐系统、蛋白质分子建模，同样源自于对传统领域的创新，它的前身是图嵌入算法；而图嵌入算法又以图数据作为载体。这一关系，将贯穿本文始末，成为我们
timeseries_image_CNN：使用图像识别来识别时间序列中的峰前信号
02-12
火炬时间序列->图像二进制分类器 该项目训练了一个火炬（热）图像分类器，以对财务时间序列中的局部最大值进行分类。 默认情况下，训练样本包含一个3通道图像张量，该图像张量是结合60个点的时间序列子序列的小波变换和Gramian角场变换产生的。 数据预处理读取财务数据（ohlcv），生成TA列，标识时间序列中的局部峰值，然后从时间序列子序列中生成标记图像。 这些标签是二进制的，其中0是距峰> 8点的子序列（或图像），而1是紧接在峰之前的子序列。 tensor_agg当前使用一个小波变换（默认情况下为BollingerBand.diff或BBv）和两个通道的Gramian角场变换（默认情况下为Ichimoku Kijun-sen和Hilbert变换趋势线）制作一个3通道图像张量。 这些可以更改，但是由于CNN架构的原因，仅限于3个频道。 可以生成一个可选的Bokeh图（但可能会很大），其中
Classification of Time-Series Images Using Deep Convolutional Neural Networks论文翻译
weixin_39732260的博客
08-28 1169
利用卷积神经网络对时间序列图像进行分类   Nima Hatami, Yann Gavet and Johan Debayle   Ecole Nationale Superieure des Mines de Saint-Etienne,   SPIN/LGF CNRS UMR 5307, 158 cours Fauriel, 42023 Saint-Etienne, France   ...
【深度学习|学习笔记】时序图卷积网络（Temporal Graph Convolutional Networks, T-GCN）详解，附代码。
最新发布
2401_89898861的博客
05-28 798
【深度学习|学习笔记】时序图卷积网络（Temporal Graph Convolutional Networks, T-GCN）详解，附代码。
卷积神经网络-时序卷积
weixin_38498942的博客
06-18 8858
一、简介 时序问题的建模大家一般习惯性的采用循环神经网络（RNN）来建模，这是因为RNN天生的循环自回归的结构是对时间序列的很好的表示。传统的卷积神经网络一般认为不太适合时序问题的建模，这主要由于其卷积核大小的限制，不能很好的抓取长时的依赖信息。 但是也有很多的工作显示，特定的卷积神经网络结构也可以达到很好的效果，比如Goolgle提出的用来做语音合成的wavenet，Facebook提出的用来做翻译的卷积神经网络。这就带来一个问题，用卷积来做神经网络到底是只适用于特定的领域还是一种普适的模型？ 本文就带着
论文研究-基于深度卷积神经网络的快速图像分类算法.pdf
09-07
为了应对大量图像的分类问题，提出一种基于深度卷积神经网络和CUDA-cuDNN并行运算的快速图像分类方法。该方法利用深度卷积神经网络自动学习特征的优势来解决手工设计特征普适性差等问题，同时结合基于CUDA架构的cuDNN并行运算策略来提高训练速度和加快分类速度，并且针对深度卷积神经网络易受参数扰动等缺点，引入批量正则化（Batch Normalization）以提高算法的鲁棒性。实验结果表明，该方法不仅大幅缩短了训练时间同时加快了图像的分类速度，而且进一步降低了图像分类的错误率。
Image Segmentation Using Deep Learning: A Survery
Fantastic
09-23 4005
图像分割综述–论文翻译 论文地址：https://arxiv.org/pdf/2001.05566.pdf 摘要 图像分割是图像处理以及计算机视频的关键内容，其应用场景非常广泛，如场景理解、医学图像分析、机器人感知、视频监控、增强显示和图像压缩等。目前关于图像分割的算法论文数量非常多。最近，由于深度学习模型在计算机视频任务中的出色表现，大量的图像分割研究工作都在开发深度学习模型在图像分割中的应用。在本次调查综述中，我们提供全面的图像分割的文献综述，涵盖了语义分割和实例分割的广泛开创性工作，其中包括全卷机像素
全卷积网络用于手语识别
qq_43787895的博客
05-07 2267
Fully Convolutional Networks for Continuous Sign Language Recognition Abstract. Continuous sign language recognition (SLR) is a challenging task that requires learning on both spatial and temporal dimensions of signing frame sequences. Most recent work acc
为多变量时间序列开发多通道深度卷积神经网络
03-13
为多变量时间序列开发多通道深度卷积神经网络
深度学习卷积神经网络图像参考文献
01-02
关于深度学习, 图像处理.卷积神经网络的大量参考论文文献.
st-gcn时空图卷积神经网络
12-11
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition. 图卷积神经网络，2018年AAAI论文代码。
卷积神经网络相关文献整理
04-22
本人学习卷积神经网络阅读的一些文献，适用于初学者！
【ICLR2022】图神经网络复杂时间序列建模
04-15
在许多领域，包括医疗保健、生物和气候科学，时间序列是不规则的采样，连续读数之间的时间间隔不同，不同的变量子集(传感器)在不同的时间点观测。在收集传感器测量数据时，经常存在一些实际问题，这些问题会导致各种类型的不正常现象，例如成本节约、传感器故障、物理场景中的外部力量、医疗干预等等。 虽然时间序列的机器学习方法通常假设完全可观察和固定大小的输入，但不规则采样的时间序列提出了相当大的挑战。例如，传感器的观测结果可能没有对齐，相邻读数之间的时间间隔可能因传感器而异，不同的样本可能在不同的时间记录不同数量的读数。
cnn-multivariate-time-series:使用TensorFlow通过CNN处理多元时间序列
05-12
CNN多元时间序列处理 CNN用于使用TensorFlow进行多元时间序列处理 两个框架包括： CNN作为接受 多频道CNN 用于求解多元时间序列 预测 分类 分别。 作为接受器的CNN被包装在TensorFlow的高级API中-估计器，实验和数据集。
T-GCN:用于交通流预测的时序图卷积网络
zuiyishihefang的博客
05-17 9245
1.文章信息本次介绍的文章是2020年发表在IEEE 智能交通系统汇刊上的《T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction》。2.摘要为了同时捕获空间和时间依赖性，本文提出了一种新的基于神经网络的交通流预测方法——时间图卷积网络(T-GCN)模型，该模型将图卷积网络(GCN)和门控循环单元(GRU)相结合。...
用于时序动作提名生成任务，爱奇艺提出BC-GNN图神经网络 | ECCV 2020
AI科技大本营
08-11 5161
ECCV 2020论文：爱奇艺提出Boundary Content Graph Neural Network (BC-GNN)，通过图神经网络对边界和内容预测之间的关系进行建模，生成更精确的时序边界和可靠的内容置信度分数
时序图 循环_时序卷积网络会带来下一场时间序列革命吗？
weixin_39658759的博客
11-23 314
全文共1921字，预计学习时长5分钟图源：unsplash本文将回顾基于TCN解决方案的最新创新。首先，列出运动检测个案分析并简要回顾TCN架构及其相对于传统方法的优势，如卷积神经网络(CNN)和递归神经网络(RNN)，随后，笔者将介绍使用TCN的几个创新之处，包括改善交通预测，声音事件定位和检测以及概率预测。对TCN的简要回顾Lea等人(2016)的开创性著作首次提出一种基于视频动作分割的时序卷...
评论 15
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值