时间： 2020年11月19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 梁朝晖
Part1
分享者: 刘尚松
分享内容：
[1] Chen, Zhutian, et al. "Towards Automated Infographic Design: Deep Learning-based Auto-Extraction of Extensible Timeline." IEEE transactions on visualization and computer graphics 26.1 (2019): 917-926.
[2] Wang Y, Sun Z, Zhang H, et al. DataShot: Automatic Generation of Fact Sheets from Tabular Data[J]. IEEE transactions on visualization and computer graphics, 2019, 26(1): 895-905.
论文简介：
[1]设计人员在创建信息图表时需要考虑感知效率以及视觉风格，对于专业设计师而言，此过程可能既困难又耗时，更不用说非专业用户了。这引发了对自动化信息图表设计的需求，本文关注于已被广泛使用了多个世纪的时间线图表。文章提供了一种端到端方法，可自动从位图图像中提取可扩展的时间线模板。在解构阶段，提出一个多任务深度神经网络同时解析位图时间线中的全局信息和局部信息。在重构阶段，提出了一种具有三种技术的管道：非极大值合并，冗余恢复和DL GrabCut，可以利用解构结果从信息图中提取可扩展模板。为了评估方法的有效性，文章使用了合成时间轴数据集（4296张图像），并从Internet收集了现实世界的时间轴数据集（393张图像）。对两个数据集的方法进行定量评估。然后提供自动提取模板的示例以及根据这些模板自动生成的时间线。结果证实，本文提出的方法可以有效地从现实世界的时间线图表中提取可扩展模板。
[2]事实表（Data Sheet）具有生动的图形设计和有趣的统计洞察，被普遍用于呈现原始数据，它能帮助人们有效地理解与数据相关的事实并给人留下深刻的印象。但是，设计事实表需要数据分析和设计专业知识，这是一个费力且耗时的过程。为了协助设计过程，本文提出了DataShot，一个从表格数据自动创建事实表的自动化系统。首先，文章对245个信息图进行定性分析，以探索表级别和元素级别的一般性设计空间。在研究过程中，确定了常见的信息图结构，表布局，事实类型和可视化样式。然后文章提出了自动生成事实表的工作流程，包括事实提取，事实合成和视觉表示。最后使用三个真实数据集的用例验证系统，评估结果表明，DataShot可以有效地生成令人满意的事实表，以支持进一步的个性化分析和数据表示。
Part2
分享者: 梁朝晖
分享内容：
[1] Wang Y, Shi C, Li L, et al. Visualizing research impact through citation data[J]. ACM Transactions on Interactive Intelligent Systems (TiiS), 2018, 8(1): 1-24.
论文简介：
[1]研究影响在评估学者，期刊或会议的研究质量和影响方面起着至关重要的作用。 许多研究人员试图通过基于引文数据（例如h指数，引文计数和影响因子）引入不同类型的指标来量化研究影响，这些度量标准已在学术界广泛使用。但是，在大多数情况下，量化指标高度汇总，有时会产生偏差，这可能会导致影响细节的丢失，这导致了很多疑问。例如，研究人员对哪个研究领域有重大影响？研究影响如何随时间变化？合作者如何影响个人的研究影响？简单的定量指标几乎无法帮助回答此类问题，因为需要更详细地探讨引文数据。以前关于可视化引文数据的工作通常仅显示有限的研究影响，并且可能会遭受其他问题，包括视觉混乱和可伸缩性问题。为了填补这一空白，论文中提出了一种交互式可视化工具ImpactVis，用于通过引文数据更好地研究研究影响。论文作者进行了案例研究和深入的专家访谈，以证明ImpactVis的有效性。
