2020年春季学期视觉计算实验室第五周论文研读预告

时间: 2020年10月29日(本周四) 09 : 00
地点: 望江校区基础教学楼B座318实验室
研读成员: 刘尚松 杨勇

Part1
分享者: 刘尚松
分享内容:
[1] Zhu S, Sun G, Jiang Q, et al. A survey on automatic infographics and visualization recommendations[J]. Visual Informatics, 2020, 4(3): 24-40.
[2] Luo Y, Qin X, Tang N, et al. Deepeye: Towards automatic data visualization[C]. 2018 IEEE 34th International Conference on Data Engineering (ICDE). IEEE, 2018: 101-112.
论文简介:
[1]数据可视化技术发展迅速,已出现大量的可视化方法和技术。然而,选择合适的可视化表达式不仅需要探索数据,还需要了解图表的表达特性和结构特征,这使得非专业的用户难以设计合适的可视化。自动可视化设计无需或很少需要进行人工操作,就能进行视觉编码,自动生成有效的可视化视图,提升分析人员的探索速度和效率。本文对自动信息图表的发展进行了全面的概述,并讨论有关自动可视化设计和推荐生成器的现有工作。其次,本文提出一种新颖的分类,将这些自动可视化方法分为:数据驱动的、基于知识的、混合自动化设计三种,并描述了这些方法的应用。最后,本文确定了自动可视化领域的新研究挑战,以及未来工作,可帮助相关研究人员加强对这一领域的了解。

图1 自动化信息图表和可视化的三种方法

[2]自动数据可视化的核心任务是:给定数据集,通过数据转换(例如选择属性、分组、分箱)后给出正确的可视化类型(例如条形图、折线图),生成引人入胜的故事。本文介绍了DEEPEYE,一种新颖的用于自动数据可视化的系统,它解决了三个问题:(1)可视化识别:判断一个给定的可视化视图是“好”还是“坏”。(2)可视化排名:给定两种可视化,判断哪一种“更好”。(3)可视化选择:给定数据集,如何找到top-k的可视化视图。DEEPEYE通过训练二进制分类器来确定特定的可视化效果好坏,从而解决了问题(1)。它从两个角度解决了问题(2):(i)机器学习:使用监督的学习排名模型对可视化进行排名;(ii)专家规则:依靠专家知识指明偏序规则。本文还讨论优化方法以有效地计算top-k视图,以解决问题(3)。最后通过大量的实验证明了DEEPEYE的有效性。

图2 DEEPEYE流程概览

Part2
分享者: 杨勇
分享内容:
[1] Zhang X, Ye P, Xiao G. VIFB: A Visible and Infrared Image Fusion Benchmark[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. 2020: 104-105.
[2] Chen J, Li X, Luo L, et al. Infrared and visible image fusion based on target-enhanced multiscale transform decomposition[J]. Information Sciences, 2020, 508: 64-78.
论文简介:
[1]可见光与红外图像融合由于其众多的应用而成为图像处理中的重要领域,尽管近年来在开发图像融合算法方面已经取得了很大进展,但是仍然缺乏可以衡量最新技术水平的代码库和基准。文章提出了一个可见光和红外图像融合基准(VIFB),该基准由21对图像,一个包含20种融合算法的代码库和13个评估指标组成,还在基准中进行了广泛的实验,以了解这些算法的性能。

图3 算法性能对比

[2]针对基于梯度传递和总变化的梯度传递融合(GTF)方法会丢失大多数纹理细节的问题,文章提出了一种用于红外和可见光图像融合的目标增强多尺度变换分解(MST)的方法,以同时增强红外图像中的热目标并保留可见光图像中的纹理细节。文章使用拉普拉斯金字塔将两个预配准的图像分解为低频和高频,对高频部分采用通用的“最大绝对值”方法进行融合,低频部分则使用红外图像的低频信息控制融合权重。

图4 算法性能对比
123