GeCNN时域长序列识别架构

小数据高精度

专为时域长序列识别设计，通过通用卷积、选择性卷积与多重池化，在少量训练数据下实现超越现有深度网络的准确率。

Chen, Li · 郑贤伟 · 陈创泉 · Deng, Zicong · Shu, Yiqing

IEEE Transactions on Neural Networks and Learning Systems 2024

参数信息

准确率领先ResNet幅度

9.51 %

准确率领先自注意力模型幅度

16.79 %

训练数据占比

0.18 %

准确率领先ResNet幅度

5.35 %

准确率领先自注意力模型幅度

10.16 %

训练数据占比

1.56 %

技术优势

训练数据需求极小

使用选择性CNN聚焦不同子序列，仅需极少量训练样本即可达到高精度，大幅降低数据采集成本。

精度超越深层网络

在GTZAN和PLAID数据集上，使用极小比例训练数据即超越ResNet与自注意力模型，验证了架构的有效性。

减少统计信息损失

八种池化操作融合可缓解单一池化造成的信息丢失，保留更多判别特征。

应用场景

• 音频事件检测：在GTZAN等音频数据集上以小样本实现高精度，适合标注稀缺的音频事件检测。
• 传感器时序分析：长时序特征表示能力强，可处理传感器长序列而无需大量训练样本。
• 工业预测性维护：小样本学习能力降低对故障数据的需求，助力工业设备预测性维护。
• 无人机状态监测：适用于无人机状态时序信号的实时识别，少量数据即可训练高精度模型。