全文下载排行

一年内发表文章 | 两年内 | 三年内 | 全部 | 最近1个月下载排行 | 最近1年下载排行

当前位置: 全部
Please wait a minute...
1. 机器学习模型的可视分析
Shixia Liu, Xiting Wang, Mengchen Liu, Jun Zhu
Vis Inf    2017, 1 (1): 48-56.   DOI: 10.1016/j.visinf.2017.01.006
摘要   PDF   
背景:交互式模型分析是一个借助交互可视化技术来理解、诊断和改进机器学习模型的过程,它可以帮助用户有效地解决现实世界中的人工智能和数据挖掘问题。大数据分析技术的迅速发展引发了各种各样的交互式模型分析任务。

贡献:我们对这一迅速发展的领域进行了全面的分析,将相关工作划分为三类:理解、诊断和改进。每一类都以最近有影响力的工作为例,同时探讨了今后潜在的研究方向。

2. 计算机图形学和计算机视觉中瞬态成像的研究进展
Adrian Jarabo, Belen Masia, Julio Marco, Diego Gutierrez
Vis Inf    2017, 1 (1): 65-79.   DOI: 10.1016/j.visinf.2017.01.008
摘要   PDF   

背景:瞬态成像技术对计算机图形学和计算机视觉领域产生了巨大的影响。通过以极高的时间分辨率捕捉、重建或模拟光的传输过程,研究人员提出了若干新的技术来显示运动中的光影、查看周边的角落、检测位于高散射介质中的对象或远程推断材料特性等等。其关键思想是开发和利用时间域在皮秒或纳秒分辨率下的大量信息,而这些信息通常在捕获时的信息整合过程中丢失。

贡献:本文从图形和计算机视觉的角度介绍了瞬态成像技术的最新进展,包括捕获技术、分析、应用和仿真。

3. 地理协同平行坐标(GCPC):环境数据分析的现场试验研究
Maha El Meseery, Orland Hoeber
Vis Inf    2018, 2 (2): 111-124.   DOI: 10.1016/j.visinf.2018.02.001
摘要   PDF   
背景:近年来面临的大量环境问题促使研究人员去收集大量数据并加以研究,以便深入了解人与所居住环境之间的复杂关系。这些数据集通常是高维和异构的,呈现出复杂的地理空间关系。开展对此类数据的分析具有挑战性,尤其是在需要将所研究的非空间属性与它们所在空间关联起来的情形下。


创新:地理协同平行坐标(GCPC)是一种地理可视分析方法,可支持对复杂地理空间的环境数据的分析和研究。平行坐标可与地理空间表示以及调查散点图紧密结合,用来展示、重组、过滤和凸显数据的高维、异构和地理空间特性。

应用:我们进行了两组有专业数据分析师参与的现场试验,来验证本文所提出的亲临现场方法在研究环境数据方面的实际好处。实验评估的结果是积极的,为使用GCPC来分析环境数据提供了现场试验的经验和新的见解。

4. 深度学习可视化综述:面向用户群体分类
Rulei Yu, Lei Shi
Vis Inf    2018, 2 (3): 147-154.   DOI: 10.1016/j.visinf.2018.09.001
摘要   PDF   
背景:深度学习在多种任务中取得了令人瞩目的成功,近年来发展迅速。鉴于其目前仍然是个“黑匣子”,深度学习的解释性已经成为遏制其发展的一个重要因素。例如,在医学和金融等领域,需要可解释性模型来给从业人员提供相应的理论依据。然而直接分析解释深度学习模型是非常复杂抽象的,作为抽象数据与直观表示的桥梁,可视化提供了相应的技术方法。 创新:为了帮助不同知识背景的用户(初学者、新手、开发者、专家)了解深度学习可视分析这个领域,本文整理了近年来前沿与重要的工作,做成了一张分类表。分类表同时说明了每个工具或方法适用的模型结构、分类目标与发布时间,辅助用户进行快速查询。为了帮助用户了解对应分类目标下的研究进展,本文详述了相应分类目标下的代表性工作,尤其是可视解释性这个重要方向。

5. 基于眼睛跟踪的散点图和平行坐标可视化的比较
Rudolf Netzel, Jenny Vuong, Ulrich Engelke, Seán O’Donoghue, Daniel Weiskopf, Julian Heinrich
Vis Inf    2017, 1 (2): 92-105.   DOI: 10.1016/j.visinf.2017.11.001
摘要   PDF   

背景:我们研究了散点图(笛卡尔坐标)和平行坐标可视化方法的工作效能和读取特性。

实验:在一项受控的眼睛跟踪实验中,我们要求24名参与者按不同的图示类型(平行坐标或水平方向的散点集合)、数据的维度(2,4,6或8)和点之间的相对距离 (15%, 20%, or 25%)。来估计多维空间中点之间的相对距离。给定一个参考点和两个目标点,我们先告知参与者在多维空间中选择更接近参考点的目标点。贡献:本文提出一个可视扫描模型,它描述了在两种图示类型中找出目标点的不同策略,并以任务完成时间,准确性和注视位置作为因变量,给出了我们试验得出的相关推断。

结论:在二维空间中散点图示方法明显优于平行坐标,而在八维空间中采用平行坐标可以更快、更准确地完成任务。在笛卡尔坐标和平行坐标之间以及不同维度的空间之间,眼睛跟踪数据显示出显著差异。对于平行坐标,随着空间维度的增加,所需的扫视时间更长而定位时间更短。基于AOI的方法,我们为每种图示类型确定了不同的读取策略:对于平行坐标,参与者的视线应频繁地在不同的轴对之间来回检视,而对笛卡尔坐标,不必将视线聚焦在轴上。