W ramach zadania nr 4 pn. „Rozpoznawanie wypowiedzi Polskiego Języka Migowego w układzie wizyjnym” przeprowadzono prace naukowo-badawcze, których wyniki zostały opublikowane w czasopiśmie Sensors (obecna punktacja ministerialna to 100 pkt, Impact Factor: 3.031).
Kamycki, K.; Kapuscinski, T.; Oszust, M. Data Augmentation with Suboptimal Warping for Time-Series Classification. Sensors 2020, 20(1), 98. https://doi.org/10.3390/s20010098
Abstrakt
W tym artykule zaproponowano nową metodę rozszerzania danych do klasyfikacji szeregów czasowych. W przedstawionej metodzie nowy szereg czasowy jest uzyskiwany w przestrzeni zniekształconej pomiędzy suboptymalnie wyrównanymi przykładami wejściowymi o różnych długościach. W szczególności, wyrównanie jest przeprowadzane poprzez ograniczenie ścieżki zniekształcania i zmniejszenie jej elastyczności. Pokazano, że wynikowy syntetyczny szereg czasowy może tworzyć nowe granice klas i wzbogacać zbiór danych treningowych. W tej pracy przedstawiono porównawczą ocenę proponowanej metody rozszerzania z pokrewnymi technikami na reprezentatywnych wielowymiarowych zbiorach danych szeregów czasowych. Wydajność metod jest badana przy użyciu klasyfikatora najbliższego sąsiada z dynamicznym zniekształcaniem czasu (NN-DTW), uczenia metrycznego opartego na dywergencji LogDet z ograniczeniami tripletowymi (LDMLT) i niedawno wprowadzonego jądra klastra szeregów czasowych (NN-TCK). Badano wpływ rozszerzania na wydajność klasyfikacji, biorąc pod uwagę całe zbiory danych i przypadki z niewielką liczbą przykładów treningowych. Szczegółowa ocena wykazała, że wprowadzona metoda przewyższa powiązane algorytmy rozszerzające pod względem uzyskanej dokładności klasyfikacji.
