对于体数据的探索十分困难。一方面，体数据中蕴含着丰富的特征，探索过程中容易有所遗漏。另一方面，体数据中又充斥着噪声和用户不感兴趣的区域，需要精心进行特征的提取和筛选。对于体数据进行基于特征选择的探索方式通常基于体素聚类。在以往的工作中，交互式地聚类方式，需要用户对于聚类边界进行细致的调整，给用户带了巨大的负担。而由此衍生的多重聚类（Multiple Clustering）,则通过对于聚类算法超参数的采样，获取尽可能多的聚类结果。而在此过程中，需要大量的试错式的尝试，才能得到良好的参数采样才能得到最终良好的聚类结果，同时由于采样的问题，特征的提取可能不够穷尽而导致有所遗漏。本文提出了一种基于穷举聚类的体素聚类方式，其命名而“特征乐高”，因为其在探索过程中能够提供给用户穷尽的特征聚类结果，就像基本的积木一样，用户可以有效的进行特征选择，加以组合，最终生成定制化的体数据可视化结果。
首届健康医疗大数据可视化论坛于2019年7月28日下午在北京大学英杰交流中心星光厅举行。论坛邀请了国内外健康医疗大数据可视化领域知名专家学者就相关研究与应用的成果作了深入报告，分享了最新研究进展，共同探讨未来研究方向。 继续阅读 »
随着成像技术的快速发展，TB级别的超大规模的体数据逐渐频繁地出现在科研和产业界中。再加上近年来先进的体数据自动切分标注技术的出现，超过百万量级的密集标注的体数据已经能够生成。这样密集的标注方式，如32-bit的整数标注，又进一步增大了数据的体量。巨大的数据给对于切分标注数据的交互式可视化和可视分析带来了巨大的挑战。一方面，针对这样的数据生成高效的多分辨率层次结构十分困难，如何对于多分辨率层次结构的体数据匹配地进行标签的采样与生成需要新的技术。另一方面，对于特定的数据切块的查找和定位，十分费时费力，需要新的高效的数据组织方式来进行存储和访问。本文提出了一种新的数据管理的方式，可以有效地助力对超大规模切分体数据的剔除。
12月28日上午，来自阿卜杜拉国王科技大学的Ivan Viola教授为大家带来了题为《全细胞可视化与建模》的讲座。Ivan Viola教授首先通过一个对HIV血浆的可视化的案例让大家对于生物医学可视化有一个整体的理解。对生物医疗数据的可视化的主要动因是其可以有效地帮助用户理解、探索生物医学数据，但仍然存在许多挑战。如其拥有复杂的几何构型，个体数量十分庞大，且在多尺度之间迁移十分困难。对于全细胞的可视化的任务被定义为通过计算机图形学和可视化的技术来描绘多尺度的生命形式。
直接体绘制是一种广为接受的可视化3D体数据的方法，通常采用统一化的流程。由于不同的体数据需要展示不同的特征，一些定制的可视化技术通常被应用。如为了强化分类的效果采用高阶的传递函数，为了更好的视觉感官采用非真实感渲染技术等，这会导致流程中的每一个步骤都可能发生改变。同时多数据场可视化同样十分重要，当需要进行混合的场的个数发生改变时，可视化的流程同样会发生改变，同时这样的改变在对于体数据初期的探索中十分常见。本文描述了一种对于灵活多变的体数据可视化流程的申明语法。
现今的科学研究中，体数据的存储形式被广泛应用于各个领域，对于体数据的研究占据了非常重要的地位。其中直接体绘制技术可以通过设计传递函数（TF），来引导用户关注体数据特定子集，从而十分有效地地帮助用户深入理解体数据。在传递函数的设计问题中，有两个主要讨论的问题。其一是对于感兴趣的特征区域（FOI）的定义问题，这在研究复杂的体数据的场景下较为困难，同时特征区域选取的准确性也难以较好地保证。其二是在特征区域上施加视觉强化的效果，这可以通过对于特征区域设定恰当的光学参数来实现。但这样的过程常常会涉及到一个重复的错误尝试的过程，同时会引入很多十分低效的手动的参数调整。因此需要考虑一定的策略来有效的进行传递函数的设计。本文提出一种使用上下文显著性驱动的射线剖面分析算法对于感兴趣特征进行直接体绘制，有效地解决了这一问题。
2018年6月21日至22日，由中国图象图形学学会可视化与可视分析专委会主办，北京大学机器感知与智能教育部重点实验室承办的科学可视化战略研讨会在北京香山饭店召开。来自北京大学、清华大学、天津大学、国防科技大学、西南科技大学、东北师范大学、南京师范大学、燕山大学、山东工商学院等高校，中国科学院软件所、计算机网络信息中心、北京应用物理与计算数学研究所等科研机构的20多位科学可视化方向的专家、学者汇聚一堂。就可视化发展所面临的关键科学问题和新的研究方向展开了深度交流。
在当今的研究中，近端的传感器感知问题备受关注，旨在感知近距离内物体的存在。可以使用的传感器包含超声波传感器、电容传感器、雷达传感器、光电传感器等。在人机交互方向应用的工作中，已有有许多工作借助这类传感器实现近端物体感知的任务。如帮助建筑工人避免危险，帮助自闭症患者感受周围的环境以及监测用户的手势或行为以实现用户在与大屏幕或其他设备更高层次的交互。这一类工作关注于提升对周围环境的感知，一方面仅仅标注出周围有物体的存在，另一方面旨在检测预定义的材料或物体，如人的皮肤。这样显然是不够的，我们可以通过使用传感设备实现对材料的感知来获得更加丰富的环境信息，同时引入更加新颖的交互方式。同样一些已有的工作通过一些传感信号实现了对于材料的分类任务。如基于光敏电阻的，基于低价的简易雷达系统的、基于手机的前向摄像头或闪光灯以及基于摩擦力和加速度计的工作。然而当前的工作中存在一系列的不足。一方面，许多材料探测识别的方式需要传感器和材料表面的近距离的接触，这样的行为可能是有风险的，亦或是不能为社会所接纳的，同时还会影响反馈的实时性。一些避免了接触的工作通常使用可见光频段的成像探测设备，这样的设备对于光照十分敏感，难以给出稳定的输出。基于以上原因，本文提出一种基于深度学习的使用可见光频段外的信号，使用热学成像的方式来实现材料的识别分类问题。
在个人电脑和其他智能设备的交互中，基于垂直菜单的选择交互一直占有重要的地位。研究用户与这一类垂直菜单的交互行为本身具有很大的意义，同时基于模型预测预测用户的交互行为又可以大大降低使用真实用户来测试交互系统时的巨大开销。而当下的模型大多基于信息论以及实验心理学内容，仅仅局限于用户交互的某一个方面，而且对于可能涉及的新的因素，很难对模型进行有效的拓展以增加适应性。本文将深度学习引入此问题的分析中，提出一个基于长短时记忆网络的模型来解决这一问题。
近期评论