平行坐标是一种高效而常用的、展现高维数据分布的可视化方法。其形式简洁、可扩展性强,有着同类方法难以比拟的优势。然而,平行坐标也存在不少缺点,形式不直观便是其中重要的一项。用户通过观察折线分布,仅能感知两个维度之间的线性相关性,而且往往会高估其中的正相关关系[2]。这篇发表在2017年TVCG上的文章[1],则巧妙地利用了平行坐标的点线对称性,增强了平行坐标表现复杂数据关系的能力与准确性。
月度存档: 八月 2017
DSPCP:在平行坐标中展现复杂数据关系(DSPCP: A Data Scalable Approach for Identifying Relationships in Parallel Coordinates)
GRASP: 结合移动设备和大屏幕与图可视化交互(GRASP: Combining Spatially-aware Mobile Devices and a Display Wall for Graph Visualization and Interaction)
除了传统的桌面显示环境,研究者们也在思考用其它的显示设备和更自然的交互方式设计可视化。这篇工作[1]将可被检测位置的移动设备和大屏幕结合起来支持图可视化的交互和分析;作者设计了一套全面的交互模型支持对图的交互、分析任务,包括选择、展示细节、焦点转换、交互式透镜、数据编辑等。 继续阅读 »
一个针对增量式可视化的可视化过程增强模型 (An Enhanced Visualization Process Model for Incremental Visualization)
借助于直接操作的半自动化SVG编程(Semi-Automated SVG Programming via Direct Manipulation)
所见即所得的直接交互界面是在我们日常生活中非常常见的一种交互方式,比如文本编辑器,Adobe Illustrator均采用了这种思想,用户可以在视图中直接的操作原始的对象 所见即所得的直接操作的界面可以允许更广范围的用户进行使用,在使用的过程中用户可以获得直观的感受,并且交互的反馈。用户可以通过拖拽,移动,改变大小等方式进行操作。尽管直接操作的方法具有非常强大的功能,但是通过直接操作的方式完成代码的编辑是无法完成的。本文的工作提出了Sketch-n-Sketch的工具,帮助用户将代码与直接的操作联系到一起,用户直接操作的同时产生并且更新绘制代码,同时本工作实现绘制过程中的绑定以及抽象分别对应的是实际代码中的组合并且抽象为方法。
针对用户直接操作与代码生成,目前已经存在的工作包括Victor Bret的Drawing Dynamic Visualizations,但是这一类工作的可视化形式是由用户直接操作所得到的,所以用户直接操作无法得到编程的全部能力。当前工作的上一个工作是用户直接编辑代码直接得到可视化元素,用户直接操作可视化元素可以修改代码中的各种参数。本工作的目标是使用尽量少的键盘,更多的使用鼠标完成用户交互的过程。
下图所示为本文的工作中的系统流程图,首先用户绘制可视化形式,可视化形式可以产生代码,用户可以将多个可视化元素之间建立关联,用户可以对于多个绘制元素的方法进行抽象从而得到绘制的函数。相对于之前的系统,在本系统中增加的功能是用户可以直接绘制可视化元素得到绘制可视化元素的代码,
对交通流的可视化、过滤与分析(Visualization, Selection, and Analysis of Traffic Flows)
移动物体(Moving objects)例如车辆、船舶、飞机等不是随机地运动,而是有一定的功能性的关系,例如飞机的有相同的目的地。这时我们把这类轨迹的集合成为交通流(Traffic flows)。然而这些轨迹通常数目多而且具有重叠。交通流通常会有一定的行为模式(Patterns),但是这些模式很难挖掘到。因此可视化交通流面临许多挑战: 继续阅读 »
用于文本相似性检测的可构造可视分析(Constructive Visual Analytics for Text Similarity Detection)
对于机器分析和人类分析在分类中的解析 (An Analysis of Machine- and Human-Analytics in Classification)
这项工作跟踪在两个可视化分析应用中的技术和认知过程,并归纳为一个应用软知识的共同理论模型,可以添加到建立一个决策树模型的可视化的分析过程中。 继续阅读 »
DeepEyes: 用于深度神经网络设计的递进式可视分析系统 (DeepEyes: Progressive Visual Analytics for Designing Deep Neural Networks)
具有时空误差控制的交互式渐进可视化 (Interactive Progressive Visualization with Space-Time Error Control)
在体可视化中,光线追踪算法是一种常用的算法。不过,由于对每条光线而言都需要进行大量的采样,其计算代价是非常大的。这时候往往可以使用渐进可视化的方法,即一边展示一些早期近似计算得到的绘制结果,一边持续对该结果进行优化精炼。但是,图片往往需要一个比较长的绘制时间才能达到高的质量(即空间误差随时间不断减小),而当视角和传递函数改变时,比较长的响应时间会延迟图片图片帧的替换(即时间误差越来越大)。因此,这里面需要做适当的权衡。传统的方法使用静态的采样率和帧率,但是如何选择一个好的静态设置并在交互式可视化中得到保持是非常困难的。2014年SciVis的这篇文章[1]提出的一种基于空间和时间误差估计的动态自适应帧控制的方法,很好地解决了这个问题。如图1所示示例,该方法在静态的采样率和帧率之间做到了很好的平衡。
近期评论