级联基于区域的密集连接网络用于事件检测：地震应用
机器学习
2018-09-26 v2 计算机视觉与模式识别
摘要
从时间序列信号中自动检测事件具有广泛应用，例如视频监控中的异常事件检测与地球物理数据中的事件检测。传统检测方法主要利用数据中的相似性与相关性来检测事件，那些方法可能效率低下且精度低。近年来，由于计算能力的显著提升，机器学习技术已革新了许多科学与工程领域。本研究中，我们应用基于深度学习的方法检测时间序列地震信号中的事件。然而，将2D目标检测的类似思想直接套用于我们的问题面临两个挑战。第一个挑战是地震事件的持续时间变化显著；另一个是生成的候选区域在时间上相关。为应对这些挑战，我们提出一种新颖的级联基于区域的卷积神经网络以捕获不同大小的地震事件，同时结合上下文信息为每个候选区域丰富特征。为获得更好的泛化性能，我们使用密集连接块作为网络的骨干。由于部分正事件未被正确标注，我们进一步将检测问题公式化为从噪声中学习的问题。为验证检测方法的性能，我们将方法应用于位于岩石力学实验室的双轴“地震机器”生成的地震数据，并在专家帮助下获取标签。通过数值测试，我们显示新颖检测技术获得了高精度。因此，我们新颖的基于深度学习的检测方法有潜力成为各种应用中从时间序列数据定位事件的强大工具。
引用
@article{arxiv.1709.07943,
title = {Cascaded Region-based Densely Connected Network for Event Detection: A Seismic Application},
author = {Yue Wu and Youzuo Lin and Zheng Zhou and David Chas Bolton and Ji Liu and Paul Johnson},
journal= {arXiv preprint arXiv:1709.07943},
year = {2018}
}