月度存档: 十月 2016

PowerSet: 一种交叉集的综合性可视化(PowerSet: A Comprehensive Visualization of Set Intersections)

分析大量的数据时,分析人士经常将共享某些属性的数据元素归为一个集合。使用这些集合作为分析的单位,不仅降低了数据量,而且还便于检测到数据中的各种模式。这涉及到分析这些集合之间的交叉关系,以及这些交叉集之间的元素属性如何不同。由于集合的通用性和强大的概念,这种基于集合的分析在各种领域中有着不同的应用。然而,可视化集合间的交叉关系是具有挑战性的,因为它们的数量会随着集合数量呈指数增长,而且交叉集的表示大小和它们所包含的元素也不成比例。本文[1]提出了一种新的基于树图的技术,对非空交叉集提供一个全面的概览,具有较强的可拓展性。它可以观察到元素是如何分布在这些交叉集的,以及进行更细粒度的分析,探索和比较它们的属性。交互允许基于这些元素集成员进行查询和过滤。我们展示了如何使用我们的技术支持各种用例的数据探索和分析,提供基于集的数据的观察,超越了国家的最先进的技术的限制。

继续阅读 »

在智慧工厂中可视化监测流水线的状态(Visual Diagnostics of Assembly Line Performance in Smart Factories)

工业4.0受到越来越多的关注,这促进了“智慧工厂”的提出。智慧工厂与传统的制造业相比,它具有高度的数字化。每个状态的改变都可以被记录和存储起来,能够使管理员很快发现异常并且解决。工厂中的流水线由一系列的工作站组成,其中每个工作站对应产品的一种状态。产品在生产过程中,记录下产品在每个阶段的状态。这篇文章提出了一个对制造业大数据数据分析的可视化分析系统。它能够对流水线进行实时追踪和分析历史数据。能够监测出流水线的异常事件和对其进行预测分析[1]。

继续阅读 »

更好的理解分析深度卷积神经网络(Towards Better Analysis of Deep Convolutional Neural Networks )

深度卷积神经网络(CNNs)在特征识别相关任务中取得的效果,远比传统方法好。因此,CNNs常用于图像识别、语音识别等。但是,因为CNNs结构庞大,一般都会包含几十个神经层,每一层,又有数百至数千个神经元;同时,CNNs任意两层之间神经元的相互影响错综复杂。这两个主要的因素,导致CNNs难以理解、分析。为此,用户很难从失败或成功的例子中学习到如何设计一个好的卷积神经网络。因此,设计一个效果好的神经网络,往往需要依靠大量的尝试。

这篇文章提出了一个可视分析系统,CNNVis,支持机器学习专家更好的理解、分析、设计深度卷积神经网络。 继续阅读 »

Vol2velle: 一种可交互的物理媒介体可视化(Vol2velle: Printable Interactive Volume Visualization)

在体可视化中,有很多重要的交互,比如转动视角、更换传递函数、改变观测的界面、调整光源位置。在有些应用场景中,我们需要将这些体可视化印刷出来,用纸质的方式呈现。比如,当我们想把一个可视化的结果分发给很多人的时候,使用纸质的形式能够比电子的形式更加便宜;并且,在相关工作中,研究者发现在相同条件下,比起电子的可视化,使用纸质的可视化能够让用户更好地理解数据。但是常规的纸质媒介的体可视化不具有交互性,在体可视化中各种重要的交互都无法进行,这使得纸质的体可视化的效果比起电子的体可视化效果大打折扣。针对在物理媒介中保持体可视化的交互的问题,作者设计了VolumeVolvelle [1](也即Vol2velle),一种可交互的物理媒介体可视化。

继续阅读 »

针对天气预报集合数据的时间层次聚类和可视化 (Time-hierarchical Clustering and Visualization of Weather Forecast Ensembles)

集合(ensemble)模拟数据可视化是科学可视化的一个重要研究方向,特别是针对气象学这一特定领域。通过扰动初始条件或者使用不同的预测模型公式,集合方法会生成代表大气未来可能状态的一些数据成员。分析集合预报中的时间演化和可变性是这类问题的一个重要的任务。在已有的方法中,spaghetti plots (意大利面条图)是一种比较常用的分析气象标量场集合数据中等高线(iso-contour)的变化的方法。具体来讲,对于每个时间步,都有一个spaghetti plot展示某一iso-value下所有集合成员的等高线,这些spaghetti plots往往并列放置。如果需要看其动态演变,则需要通过动画的方式。但是,由于用户需要感知大量的视觉信息,动画很难建立连续时间步下等高线之间的关联。针对这一问题,今年的SciVis上提出了一种新的方法,可以分析集合天气预报数据中等高线的时空演变[1]。

继续阅读 »

SemanticTraj:针对海量轨迹数据的一种新的交互尝试(A New Approach to Interacting with Massive Taxi Trajectories)

随着传感器技术的发展,越来越多的轨迹数据可以被采集,例如出租车的轨迹数据、滴滴和Uber记录的轨迹数据,数据能够帮助专家进行城市交通规划。然而现有的轨迹可视分析系统都需要大量的交互例来支持分析,需要,分析人员需要学习系统并并且使用大量繁琐、耗时的交互来完成分析。针对这些问题,这篇文章提出了SemanticTraj的可视分析系统。通过把轨迹数据转化为文本描述数据,通过文本搜索的交互方式对轨迹数据进行查询分析。一方面,通过数据文本搜索的查询方式不需要分析人员进行专业训练,因为我们比较熟悉百度、Google 这样的搜索引擎。另一方面,把轨迹数据转化为文本描述能提供高层次的信息,更容易帮助用户总结分析结果。
继续阅读 »

基于自内嵌平行坐标的多分辨率气象集合模拟数据的参数分析 (Multi-Resolution Climate Ensemble Parameter Analysis with Nested Parallel Coordinates Plots)

传统的集合模拟数据本身以及参数空间都非常复杂,因为集合模拟数据往往是多成员 (multi-run),多维度 (multi-dimensional)以及时变的 (time-varying)。在此基础之上,领域科学家 (如气象学家) 在进行集合模拟时,还需要使用不同的分辨率来进行模拟,因为不同的分辨率的数据可以得到不同物理意义的特征 (pyhsical feature),因此,气象学家往往会对同一个模拟进行多分辨率的多次模拟。

继续阅读 »

日本庆应大学吴湘筠博士访问北京大学

2016年10月7-14日,受袁晓如研究员邀请,来自日本庆应大学计算机图形与可视化研究组(Computer Graphics and Visualization Group, Keio University)的吴湘筠项目助理教授访问了北京大学可视化与可视分析实验室。吴湘筠博士的主要研究方向包括信息可视化中的地理可视化(Geographic Visualization)、图绘制(Graph Drawing)和多变量数据可视化(Multivariate Data Visualization)等方面的工作。
继续阅读 »

Adobe研究院刘志成博士访问北京大学

2016年9月28日,美国Adobe研究院创新技术实验室(Creative Technologies Lab., Adobe Research)刘志成博士访问北大可视化与可视分析实验室。刘志成博士对于交互式数据分析系统与技术有着深入的研究,曾多次获得InfoVis, VAST, CHI的最佳论文提名奖。 继续阅读 »

注释图:一个对用户注释数据分析的图可视化系统 Annotation Graph: A Graph-Based Visualization for Meta-Analysis of Data based on User-Authored Annotaions

在日常生活中,当我们阅读期刊、报纸、论文、书籍等作品时,对于其中的某些内容,我们可以通过注释(annotations)发表评价,记录想法。当我们回顾这些注释时,一方面可以回顾所注释的内容,另一方面可能产生新的想法。同样,在一个可视化系统中,我们是否可以对于一些发现加上注释,进一步发现数据特征呢?这篇论文的工作就是在一个可视化系统中加入注释的功能,当用户使用可视化系统探索数据时,可以通过对数据添加标签(tag),评价(comment)两种注释方式记录数据的特征,系统会以数据、标签、评价为节点构建一个注释图(annotation graph)来帮助用户整理自己的发现,进一步促进对数据特征的挖掘。

继续阅读 »