用于时间序列分类的稠密时间 SIFT 词袋
机器学习
2016-01-14 v2
摘要
随着监控数据的增长，时间序列分类是一个特别受关注的应用。经典的时间序列分类技术依赖于逐点距离。最近，词袋方法已用于此背景。词是从滑动窗口提取的简单特征的量化版本。SIFT 框架已被证明对图像分类有效。在本文中，我们设计了一种时间序列分类方案，该方案建立在适用于时间序列的 SIFT 框架之上，以馈入词袋。然后我们通过研究归一化词袋的影响以及稠密提取点描述子来改进我们的方法。提出的调整实现了更好的性能。评估表明我们的方法在分类方面优于经典技术。
引用
@article{arxiv.1601.01799,
title = {Dense Bag-of-Temporal-SIFT-Words for Time Series Classification},
author = {Adeline Bailly and Simon Malinowski and Romain Tavenard and Thomas Guyet and Laetitia Chapel},
journal= {arXiv preprint arXiv:1601.01799},
year = {2016}
}