导读
基于擦除的数据增强是解决过拟合问题的绝佳解决方案，因为它可以通过擦除数据的某些区域去创建合成样本，并以此来增加训练数据集的大小。在时间序列分类中，关键的判别特征通常以信息片的形式存在于细微的显著区域，这些区域是区分类别的核心基础，例如ECG时间序列中的尖峰。但遗憾的是，传统的基于擦除的方法未能特别保护这些显著区域。在本文中，我们提出了一种用于时间序列增强的非显著区域擦除方法，命名为SeaM。该方法利用类激活图（CAM）来评估时间序列的显著性。然后，在保留显著区域的同时，通过选择性地擦除一些非显著区域来执行数据增强。这种基于擦除的方法可以更好地引导分类模型专注于关键信息片。我们在UCR2018时间序列数据集上开展实验，结果表明SeaM分别在FCN和ResNet上的平均准确率比次优方法提升3.53%和2.54%
文章精要
请长按下方二维码识别，阅读该文。
文章中观点仅代表作者个人观点，不代表本网站的观点和看法。
神州学人杂志及神州学人网原创文章转载说明：如需转载，务必注明出处，违者本网将依法追究。
