2020年秋季学期视觉计算实验室第二周论文研读预告

时间: 2020年10月10日(本周六) 09 : 00
地点: 望江校区基础教学楼B座318实验室
研读成员: 李季倬 龙春林

Part1
分享者: 李季倬
分享内容:
[1]C. Lee et al., "A Visual Analytics System for Exploring, Monitoring, and Forecasting Road Traffic Congestion," in IEEE Transactions on Visualization and Computer Graphics, vol. 26, no. 11, pp. 3133-3146, 1 Nov. 2020, doi: 10.1109/TVCG.2019.2922597.
[2]B. Ouafae, L. Oumaima, R. Mariam and L. Abdelouahid, "Novelty Detection Review State of Art and Discussion of New Innovations in The Main Application Domains," 2020 1st International Conference on Innovative Research in Applied Science, Engineering and Technology (IRASET), Meknes, Morocco, 2020, pp. 1-7, doi: 10.1109/IRASET48871.2020.9092147.
论文简介:
[1] 拥堵是城市交通最普遍的挑战之一,而找出拥堵的真正原因是城市规划中的重大战略问题。由于数据量大、复杂性高,而且缺乏有效分析手段,对拥塞进行分析和监控非常困难。通过领域专家的协作,本文提取了任务要求,结合LSTM模型进行拥塞预测,设计了一种加权方法检测拥塞成因与传播方向,通过可视化手段辅助用户探索拥堵原因,方向和严重性。
本文的主要贡献包括:

  • 实现多源交通数据的可视分析系统,用于历史分析、实时监控与拥塞预测
  • 将LSTM模型应用于拥堵预测
  • 通过预测精度比较、案例分析和领域专家反馈对系统进行定量和定性评价
图1 交通拥塞探索系统整体视图

[2] 新颖性检测是对新的或未知的数据或机器学习系统在训练期间不知道的信号的识别。因为有时测试数据包含有关训练模型时未知的对象的信息,这是良好分类或识别系统的基本要求之一。
本文总结了基于概率和统计、基于距离、基于密度、基于重构的新事物检测方法,以及基于深度单类分类、深度迁移学习和自动编码器的深度学习方法。此外,本文还归纳了新颖性检测方法的主要应用领域并指出了今后工作的主要方向。

图2 新颖性检测方法分类

Part2
分享者: 龙春林
分享内容:
[1] Kellen G. Cresswell, John C. Stansfield and Mikhail G.Dozmorov SpectralTAD: an R package for defining a hierarchy of topologically associated domains using spectral clustering[J]. BMC Bioinformatics (2020) 21:319.
[2] Faraz Khoshbakhtian, Ahmed Bilal Ashraf, Shehroz S. Khan. COVIDomaly: A Deep Convolutional Autoencoder Approach for Detecting Early Cases of COVID-19. arXiv:2010.02814v1
论文简介:
[1] 染色质三维结构在基因表达调控中起着至关重要的作用。高通量染色质构象捕获技术(Hi-C)显示,基因组以拓扑关联结构域(TAD),subTAD和染色质环的层次结构组织。识别这种分层结构是理解基因组调控的关键步骤。现有的用于TAD调用的工具通常对Hi-C数据中的偏差很敏感,依赖于可调参数,并且计算效率低下。为了解决这些问题,本文开发了一种新颖的基于滑动窗口的谱聚类模型spectralTAD,该模型使用连续特征向量之间的间隙进行TAD边界和层次结构识别。在模拟数据和真实Hi-C数据中,SpectralTAD的性能优于四个最新的TAD模型。此外,本文发现TAD层次结构的多个级别之间共享的TAD边界处组蛋白修饰信号标记中更加丰富,并且在细胞系和组织之间更保守。相反,无法分为亚TAD的TAD边界显示出较少的富集和保守性,表明它们在基因组调控中的作用更强。

图3 spectralTAD模型示意图

[2] 截至2020年9月,COVID-19大流行继续破坏全球人口的健康和福祉。全球卫生组织的确诊病例超过3300万,死亡人数超过100万。但是目前没有足够的数据来训练稳健的检测模型。因此,本文提出了COVIDomaly模型,这是一种卷积自动编码器框架,可以从胸部X光片中检测出COVID-19病例。通过在(i)仅健康成年人和(ii)健康及其他非COVID-19肺炎的胸部X射线上分别和COVID-19训练模型,在公开数据集(COVIDx)上测试了两种设置。执行三折交叉验证后,在两个设置中分别获得0.7652和0.6902的AUC值。

图4 COVIDomaly模型示意图
123