时间：2023年6月16日(本周五) 09: 30
地点：望江校区基础教学楼B座318实验室
分享者：杨丹、朱佳旻
Part1
分享者：杨丹
分享内容：
[1]Wang J, Li Y, Zhou Z, et al. When, Where and How does it fail? A Spatial-temporal Visual Analytics Approach for Interpretable Object Detection in Autonomous Driving[J]. IEEE Transactions on Visualization and Computer Graphics, 2022.
[2]Guo S, Jin Z, Chen Q, et al. Interpretable anomaly detection in event sequences via sequence matching and visual comparison[J]. IEEE Transactions on Visualization and Computer Graphics, 2021, 28(12): 4531-4545.
论文简介：
[1] 自动驾驶是人工智能最具代表性的应用，它通常依赖于计算机视觉技术来检测外部环境的情况。目标检测是这种系统中场景理解能力的基础。然而，现有的对象检测算法通常表现为黑盒，因此当模型失败时，没有关于何时，何地以及如何发生失败的信息。本文中提出了一个可视化的分析方法，以帮助模型开发人员解释模型失败。该系统包括微观和宏观解释模块，以解决自动驾驶中物体检测的可解释性问题。微观解释模块利用密度图提取卷积神经网络（CNN）算法的特征并将其可视化，而宏观解释模块提供自动驾驶车辆及其环境的时空信息。系统通过对空间、时间和神经网络信息的态势感知，帮助理解对象检测算法的结果，并帮助模型开发人员更好地理解、调整和开发模型。本文使用真实世界的自动驾驶数据进行案例研究，并邀请计算机视觉和自动驾驶领域的专家来评估系统，证明了本文可视化方法的有效性。
[2]异常检测是一项常见的分析任务，旨在识别与构成数据集大部分典型情况不同的罕见情况。当分析事件序列数据时，因为事件序列数据的顺序和时间性质因此异常在不同场景下有不同的定义和形式，这增加了解释检测到的异常的难度。本文提出了一个可视化的分析方法，通过一个无监督的异常检测算法变分自动编码器在事件序列数据集中检测异常序列，然后进一步比较异常序列与它们的重建和正常序列，通过序列匹配算法来识别事件异常类型。本文开发了一个可视化分析系统以支持交互式的探索和解释异常，通过新颖的可视化设计，促进异常序列和正常序列之间的比较。最后，文章定量评估了异常检测算法的性能，通过案例研究证明本文系统的有效性。
Part2
分享者：朱佳旻
分享内容：
[1] LYI S, WANG Q, LEKSCHAS F, 等. Gosling: A Grammar-based Toolkit for Scalable and Interactive Genomics Data Visualization[J/OL]. IEEE Transactions on Visualization and Computer Graphics, 2022, 28(1): 140-150. DOI:10.1109/TVCG.2021.3114876.
[2] L’YI S, GEHLENBORG N. Multi-View Design Patterns and Responsive Visualization for Genomics Data[J/OL]. IEEE Transactions on Visualization and Computer Graphics, 2023, 29(1): 559-569. DOI:10.1109/TVCG.2022.3209398.
论文简介：
[1] 基因组学中各种数据类型和分析任务的结合导致了广泛的可视化技术和工具的发展。然而，大多数现有工具都是针对特定问题或数据类型量身定制的，并且提供有限的定制，这使得为新的分析任务或数据集优化可视化具有挑战性。为了应对这一挑战，我们设计了Gosling——一种用于交互式和可扩展基因组学数据可视化的语法。Gosling平衡了综合多尺度基因组学数据可视化的表现力和领域科学家的可访问性。我们附带的名为Gosling.js的JavaScript工具包提供了可扩展的交互式渲染。Gosling.js建立在现有的基于网络的基因组学数据可视化平台之上，以进一步简化常见基因组学数据格式的可视化。我们通过各种真实世界的例子来展示语法的表达能力。此外，我们还展示了Gosling如何支持新的基因组可视化设计。Gosling.js的在线编辑器及其源代码和文档示例可在https://gosling.js.org.
[2] 最近的一系列研究集中在设计跨分辨率和跨设备的可视化，即响应式可视化，这是响应式网页设计中采用的一个概念。然而，这些研究主要集中在从单个视图到少量视图的可视化上，并且关于如何设计响应式多视图可视化仍然存在未解决的问题。在本文中，我们提出了一个可重复使用和可推广的框架，用于设计专注于基因组学数据的响应式多视图可视化。为了更好地了解现有的设计挑战，我们回顾了野外基于网络的基因组学可视化工具。通过基于响应性设计的分类来表征工具，我们发现现有工具很少支持响应性。为了系统地从调查结果中提取见解，我们对典型的视图构图模式进行了分类，如“纵向长”、“横向宽”、“圆形”和“十字形”构图。然后，我们以不同的分辨率确定了它们的可用性问题，这些问题源于组成模式，并讨论了解决这些问题和使基因组可视化响应的方法。通过扩展Gosling可视化语法以支持响应结构，我们展示了如何支持这些方法。
