月度存档: 一月 2014

在大规模多元众核系统上进行的针对体绘制的混合并行 (Hybrid Parallelism for Volume Rendering on Large-, Multi-, and Many-Core Systems)

随着芯片上计算核数量的增长,许多HPC协会的人开始担心至今在单核的大规模并行系统上运行良好的并行编程语言,模型和执行框架会面临越来越小的收益。于是这篇文章探索了一种叫做光线投射体绘制的常用可视化算法在不同的并行编程模型上操作并且在六核CPU组成的大规模超级计算机和多核GPU集群上运行的性能和可扩展性。本文比较了一种传统的单纯基于消息传递的分布式内存操作和一种混合操作,这种混合操作混合了芯片之间的消息传递和CPU或GPU内部的共享内存并行。我们希望验证的是在混合内存操作中,在芯片内部使用共享内存并行可以增强性能和可扩展性。

继续阅读 »

TreeVersity2 and StemView:可视化动态层次结构上的变化(Visualizing Change over Time Using Dynamic Hierarchies: TreeVersity2 and the StemView)

在现实生活中,分析数据集在时间维度上的变化是一种非常常见的任务。一些任务如分析排名的变化只需要进行简单的数值比较,而更多的时候数据本身是具有结构的,比如:要分析某个网站的网页访问变化情况或者是分析某个机构所获在不同方向的资助变化情况,数据本身的结构使得数据集随时间的变化问题变得具有挑战性。

John Alexis Guerra-Gómez等针对具有层次结构数据的比较问题提出了TreeVersity2[1],TreeVersity2可以在保留结构的基础上分析出数值和拓朴结构的变化。这个工具包含三个部分,每一个部分提供了相对独立的功能,包括Time based visualization,StemView和Reporting tool,接下来将详细进行介。 继续阅读 »

基于GPU的多级聚类 (GPU-Based Multilevel Clustering)

在许多应用尤其是数据分析中,我们经常会遇到大规模数据集聚类的任务,在大的多边形表面网格问题中,这个任务显得更为重要,因为目前的3D模型采集系统提供多达上百万种的表面模型。在聚类问题中,通常最常用到的两种方法是k-means聚类算法和分层方法,然而这两种方法都有一些缺点,这会严重影响他们的性能。这篇文章提出了一种在GPU上单独实施的针对网格聚类的框架。这种框架主要的算法元素是基于边界的查询,它的主要算法优势是多极方面内在地解决了初始化问题,由此提供了具有鲁棒性和高质量的聚类结果,其次,这种算法适用于任何全局数据结构。

继续阅读 »

TimeBench:应用于时序数据可视分析的数据模型与软件库 (TimeBench: A Data Model and Software Library for Visual Analytics of Time-Oriented Data)

我们生活的信息时代被数字包围,记录我们一举一动的许多数据带有时间的信息,被称为与时间有关的数据,或时序数据(Time-oriented Data),常见的时序数据如电子医疗记录、网络流量记录等等。时间是一个十分特殊的维度,不同于普通的数值变量维度,时间中存在不同粒度的计时方法和循环方式,选择何种的粒度取决于数据分析的具体应用。

继续阅读 »

MotionExplorer:基于层次化聚类的人体运动捕捉数据探索系统 (Exploratory Search in Human Motion Capture Data Based on Hierarchical Aggregation)

运动捕捉数据在体育、医疗和影视行业十分有用,已有的运动序列被用来做运动合成。然而这类数据因为其本身数据量非常庞大,同时具备高维与时序性质,对它们的浏览、分析和关键动作序列提取是一个难点。以往的分析工具中,专家会用手动提取的方法对数据库检索,然而这些建立在文本检索之上的工作实在繁琐,为此,来自德国的一批可视化研究者们开发出了系统MotionExplorer系统用于对运动捕捉数据的可视化方法的浏览与分析,这个直观的可视分析系统为运动捕捉数据的分析提高了效率和方便。

继续阅读 »

通过相关时间属性聚类支持动态网络的可视分析 (Supporting the Visual Analysis of Dynamic Networks by Clustering associated Temporal Attributes)

在之前的文章中我们介绍了一个混合了多种动态图展示技术的原型设计DiffAni,这个原型侧重于探索动态图的拓扑结构变化,无法检测和分析途中各节点或边的属性值变化。在此文中我们将介绍一个关注动态网络中节点和边的属性变化趋势的可视分析系统,该系统通过在时间维度上对节点或边的属性进行聚类,将原始的图数据划分成多个聚类,把每个聚类当作节点可以构造出一个超图(super-graph),超图可以对图中不同属性具有相同行为的节点或边的群组提供很好的全局视图,与此同时该系统还提供了一些具体的交互来探索和改善聚类结果,进一步指导用户分析动态网络。

继续阅读 »

对高维数据集中显/隐性关系的交互式探索 (Interactive Exploration of Implicit and Explicit Relations in Faceted Datasets)

在高维数据集中,数据之间的关系大致可分为两种,即显性关系和隐性关系。其中前者指的是直接包含两个对象的具体的联系(connection),而后者指的是对象之间的共同点(comment point),是相对抽象的联系。譬如两国之间,航线连接是其显性关系,而两国具有相同的气候类型则是一种隐性关系。由于隐性关系只能通过特定的数据查询来发现,多数的可视化方法都只表现了数据的显性关系。Jian Zhao等人[1] 提出了结合图(Node-link Graph)和动态查询(Dynamic Query)的可视化系统PivotSlice,通过在图布局中展现查询结果,并辅以灵活完善的交互功能,来辅助用户同时探索数据的显性和隐性关系。

继续阅读 »

解释器:结合定制化降维投影的数据探索 (Explainers: Expert Explorations with Crafted Projections)

数据的降维是高维数据可视化的重要一环,它使得抽象不可感的高维数据结构能在低维空间里部分地展现出来。现有诸多降维方法如PCA、MDS等都是基于数据统计属性的最优化得到的,它们能最大限度地减少降维过程中的信息损失,却无法提供关于降维结果的清晰的语义信息,增加了数据的解读难度。相对地,用户可能掌握着丰富的背景知识,或是了解数据的语义内涵,但这些都未被传统的降维方法所考虑,从而降维结果可能和用户的认知相去甚远,降低了降维方法的实用性。总而言之,现有的数据降维方法存在着语义性差、脱离用户背景的问题,这在数据建模、理论构造、解释论证等各方面给数据的分析和应用带来了困难。

继续阅读 »

选择散点图及降维技术的经验式指引 (Empirical Guidance on Scatterplot and Dimension Reduction Technique Choices)

在可视化高维数据的时候,我们常常需要先对数据进行降维,然后将降维后的数据以散点图的形式展现出来。在这个过程中,我们既需要选择合适的降维技术(Dimension Reduction Technique, DR),也需要选择合适的可视展现方式(Visual Encoding, VE),才能较好地通过降维数据来展现原高维数据的结构和特征。哥伦比亚大学的Michael Sedlmair等人[1]开展了一次相关的数据研究,探寻了三种散点图形式对不同降维数据的可视化效果,并基于研究的结果给出了如何选择散点图来表现降维数据的经验式指引。

继续阅读 »

Design by Dragging:一种结合模拟集合的创造性前向和反向设计界面 (Design by Dragging: An Interface for Creative Forward and Inverse Design with Simulation Ensembles)

在交互设计中,如果能让用户可以完全专注于设计本身,而不用管过多其他方面的知识,那这个交互对于用户而言就是非常好的。而且,现如今设计思想的发展趋势是以用户为中心,以目标为导向,能够极大地方便用户的交互探索。2013年明尼苏达大学的一篇文章[1]就提出了一种非常方便直接的交互界面设计,称之为Design by Dragging。在这篇文章中,他们提出了两种设计方式,分别是前向设计(forward design)和反向设计(inverse design),特别是反向设计,能够通过用户的操作直接改变模拟结果,很符合以目标为导向的设计思路。他们提出的交互方法不仅可以支持单点触控,也可以应用在多点触控的交互设备上。

继续阅读 »