标签存档: PacificVis

IEEE PacificVis 2021 时序和时空数据专题(Temporal and Spatio-Temporal Data)

IEEE PacificVis 2021 时序和时空数据专题(Temporal and Spatio-Temporal Data)共报告四个工作,分别是可视化时间不确定性的分类、时间相关的二维标量场集合分析、动静混合的多维时序数据分析以及集合数据的时空趋势可视分析。

继续阅读 »

IEEE PacificVis 2021 机器学习和自动可视化专题(Machine Learning and Automated Visualization)

IEEE PacificVis 2021 机器学习和自动可视化专题(Machine Learning and Automated Visualization)以及可视化遇到AI专题(Visualization Meets AI)共报告五个工作,分别是关于将机器学习运用到图布局偏好预测、自动可视化问答、单元可视化的滚动叙述生成、基于图标检测训练对信息图进行解析和总结,以及使用文档嵌入和降维展示主题演变。其中,来自北京大学可视化与可视分析实验室的自动可视化工作ADVISor的具体介绍在http://vis.pku.edu.cn/blog/advisor/

继续阅读 »

IEEE PacificVis 2021 视觉感知和评估专题(Visual Perception & Evaluation)

IEEE PacificVis 2021 视觉感知和评估专题(Visual Perception & Evaluation)共报告三个工作,分别是关于城市数据可视化、动态网络用户研究以及集合可视化的可读性评估。

继续阅读 »

ADVISOR: 表格数据自然语言问询的自动可视化回答(ADVISor: Automatic Visualization Answer for Natural-Language Question on Tabular Data)

近年来,人们对数据分析的需求不断增长。而生成可视化是展示、分析数据特征的重要手段。无论是学术论文还是数据新闻,可视化在对数据的分析中都扮演着重要角色。由于其广泛的需求,一些商业工具如PowerBI 等可以根据用户在数据表格中指定特定的行或者列以生成可视化结果。然而,构造相应的可视化需要用户在数据和可视化方面具有一定的专业知识以决定选择相应的数据和可视化的类型。

这些工具依赖于用户具有的数据或者可视化的一定门槛。不同于编程或者使用特定可视化构建工具固有的学习成本,人类用户天然掌握一种低门槛的交流方式——自然语言。利用自然语言来表述用户的数据分析需求天然地降低了用户的使用门槛。基于此,北京大学可视化与可视分析研究组刘灿、韩云等 [1] 提出了一种从自然语言问题和表格出发,构建可视化及附加高亮为结果的方法。该方法全文发表于2021 IEEE 太平洋可视化会议(IEEE Pacific Visualization Symposium)。

继续阅读 »

IEEE PacificVis 2021 开幕式

IEEE PacificVis 2021 会议于4月19日正式召开。PacificVis是由IEEE主办的国际可视化会议,从2008年至今已举办十四届。本届会议原定于中国天津召开,但是由于疫情改为线上举办。会议的开幕式和主题演讲以直播的方式呈现,技术论文的演讲则以预录制的方式进行。本届大会主席,来自天津大学的张加万教授介绍了会议的基本情况。会议吸引了来自15个国家的280名参会者注册。

继续阅读 »

IEEE PacificVis 2021 主题报告Ⅰ

IEEE PacificVis 2021 的第一个主题报告的题目是《COVID-19疫情期间的可视化(Visualizations during the COVID-19 Pandemic)》,报告的嘉宾是来自北京大学的袁晓如研究员。袁晓如博士是北京大学信息科学与技术学院研究员,博士生导师,机器感知与智能教育部重点实验室副主任,大数据分析与应用国家工程实验室常务副主任。新型冠状病毒肺炎疫情在2019年底爆发,并迅速在全球范围内传播,使得其与每个人的生活都息息相关。在这期间产生了大量的数据,而可视化则可以非常有效的将信息传递给大众,并帮助相关人员进行决策。本次主题报告基于此背景,介绍了与COVID-19相关的可视化工作,其中包括两部分:COVID-19数据收集和可视化设计,以及全球范围的COVID-19可视化的协作收集和分析。

继续阅读 »

IEEE PacificVis 2021 主题报告II

第二个主题报告的题目是《可视数据科学-通过计算与交互应对挑战性数据场景(Visual Data Science – Integrating Computation with Interaction to Master Challenging Data Scenarios)》,报告的嘉宾是挪威卑尔根大学的Helwig Hauser教授。Helwig Hauser是挪威卑尔根大学可视化教授和数据科学中心CEDAS的负责人,关注数据科学的跨学科研究,以及数据科学教育和应用。在信息时代,研究者以及相关从业人员需要处理大量复杂的数据,包括多维集合数据集、流数据等。为了应对这样的挑战,越来越多的学科通过交叉合作的方式来发挥各自优势。可视数据科学即将交互式可视化与机器学习、统计等方法巧妙结合起来,让专家参与决策过程。Hauser教授的报告分为三个部分,第一部分是对数据科学、可视化数据科学概念的介绍,第二部分讨论其中的相关研究问题,包括高维数据分析、模型修正、可视化交互等,第三部分是对于开展交叉学科研究的心得和展望。

继续阅读 »

深度神经网络支持下的交互式体数据可视化(DNN-VolVis: Interactive Volume Visualization Supported by Deep Neural Network)

体数据在医学、科学模拟数据中具有广泛运用。直接可视化(DVR)是重要的体数据可视化方法。其中关键是设计合适的传递函数。传递函数是将体数据中体素的值映射成为颜色-透明度值。本质上是将体素进行分类,识别其中的特征并给予不同的颜色透明度属性。在传统体渲染中,给定传递函数,选定视角参数之后就可以合成、计算渲染结果的每个像素的值。

然而,有时用户想要探索已有的可视化结果,但原始的传递函数并未公开。或者探索过程中,用户不满足于调整传递函数来获取结果,在传递函数基础上,他们想要直接对渲染结果进行一些修改。但是从渲染结果到传递函数难度巨大:一方面传递函数的设计空间巨大不可能暴力遍历,另一方面渲染结果中像素和传递函数之间也没有解析表达,细小的传递函数的差异可能导致巨大的结果差异。为解决这类问题,本工作[1]提出了基于深度学习网络的更直接的处理方式。本工作中的神经网络可以接受用户想要探索的可视化结果作为输入,随着用户的交互,可以直接合成在其他视角参数下的“渲染结果”。我们合成的结果可以和真实的渲染结果相媲美。

继续阅读 »

用持续同调方法检测动态图的结构变化(Visual Detection of Structural Changes in Time-Varying Graphs Using Persistent Homology)

动态图可视化对复杂网络分析等能起到关键作用,但由于动态图数据的复杂性,其演变过程的可视化形式一直难以确定,整体而言一般分为动画(Animation)和时间线(Timeline)两类。这个工作提出了一种用持续同调(Persistent Homology)来衡量动态图结构变化特性的方法,在此基础上提取特征以时间线的形式进行可视化,揭示动态图的异常变化和整体演变过程[1]。持续同调是拓扑数据分析(Topological Data Analysis, TDA)的主要工具,是近年探索性数据分析和数据挖掘领域中逐渐活跃的方向,有深刻的代数几何背景,将其引入可视化的特征提取是一次全新的尝试。

继续阅读 »

IEEE Pacific Visualization Symposium 2018 – Day 0

PacificVis 2018于4月10日在日本神户大学正式召开。会议首日是PacificVAST研讨会。不同于之前几年PacificVAST会邀请可视化领域的著名专家学者前来介绍可视化前沿工作,今年PacificVAST开始接受论文投稿,被接收的论文会被邀请到会议现场进行报告,并推荐到Journal of Visual Informatics期刊发表。会上来自日本庆应义塾大学的Issei Fujishiro教授和韩国首尔国立大学的Jinwook Seo教授介绍了今年PacificVAST的投稿情况。本次会议一共收到了24篇投稿,并在其中接收了来自于美国,中国,日本,德国和韩国等国家的一共9篇论文,所有9篇论文分成四个session进行报告。 继续阅读 »