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CSDN下载资源里面，链接在此：
https://download.csdn.net/download/luolan9611/10537857
如果讲解有误，虚心接受指正。
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。
方法主要分为两步，第一步：将时间序列编码成RP递归图。
三张小图中最左边的是包含12个数据点的时序信号示意图记为(1)，中间的是根据时序信号画的二维相空间轨迹示意图记为(2)，最右边的是递归图记为(3)，该递归图其实是个11*11大小的矩阵。
从(1)到(2)：(1)上有12个红点x，点到点为一个状态s，所以有11个状态。状态sn:(xn,xn+1)。也就是说状态sn的位置是(第x个数据点的纵坐标值,第x+1个数据点的纵坐标值)。自己去试着画一画，就能看到(2)中为什么箭头下来到达s3，又上去到达s4了。
从(2)到(3)：根据上图Ri,j的那个公式计算R矩阵，用matl。然后前面有一个像e的符号，那个代表的是阈值，用于将彩色的rp图进行阈值化的。因为本文做的实验是直接将rp做成了灰度图，所以那个阈值好像没太管。具体的可以看看论文。然后整体是一个阶跃函数。K是状态s的个数。
第二步：使用深度CNN进行分类识别。
该深度网络的架构如上图所示。有两个卷积层，每个卷积层后的跟着一个ReLU修正线性单元，又两个池化层使用2*2最大池化方法，有2个全连接层。其中C1(size)-S1-C2(size)-S2-H-O，C1和C2是两个卷积层filter的个数，size是kernel大小，H是隐藏层神经元的个数，c表示输出神经元的个数，其实就是要分多少类。
输入的图像大小是有要求的，28*28，56*56，64*64.
UCR时序档案馆链接：http://www.cs.ucr.edu/~eamonn/time_series_data/ （可以自己上链接去下数据集哦）该链接是作者给的官方链接，作者的数据就是从上面找的。作者从几十组数据中挑选了20组数据集，和现今的一些时序分类算法做了对比实验。
我自己在网上找了个链接：http://www.timeseriesclassification.com/dataset.php（该链接中点进每一个数据集，会有对这个数据集的介绍，有图有描述，觉得很棒。也可以在上面下载数据集。）
比如50words：这个分类的话就有50个类
比如：Face all和Olive oil：Face all有14个类，Olive oil有4个
比如Coffe和Yoga：Coffe有2个类，Yoga也有2个类
这些数据集都是源于现实生活，想不到吧，这么多神奇的问题居然都被转化成了序列，然后用序列去进行分类。这个思路真的妙~采集到的序列是这样子的，给大家看看数据集，比如我下到的Yoga的数据集，打开train.txt：第一个数是标签，应该代表男或女，后面的就是序列数据了。
作者是挑选了20组数据和其它的方法做的实验。表头中c指的是分类类别，Ntr是训练样本数，Nte是测试样本数，l指的是序列长度。后面的都是别的方法名称。表中展示的是错误率。针对每种数据集，错误率最低的被加粗显示。作者的方法在10种数据集中都取得了第一名，然后计算了一个平均排位。作者使用的方法的平均排位是最高的。
好啦，今天这篇论文就分享到这里。
针对本论文我做了一个PPT，缩略图展示如下：
论文的PDF和源码，还有我的PPT，都上传到CSDN下载资源里面，链接在此：
https://download.csdn.net/download/luolan9611/10537857
