时间：2024年10月12日（周六）上午09: 30
地点：望江校区基础教学楼B座318实验室
分享者：徐骏驰、邓凌竹
Part1
分享者：徐骏驰
分享内容：
[1] Zhang, Wei, et al. "Visual reasoning for uncertainty in spatio-temporal events of historical figures." IEEE Transactions on Visualization and Computer Graphics 29.6 (2022): 3009-3023.
[2] Zhang, Wei, et al. "Cohortva: A visual analytic system for interactive exploration of cohorts based on historical data." IEEE Transactions on Visualization and Computer Graphics 29.1 (2022): 756-766.
论文简介：
[1] 数字化人文信息的发展为以数据为导向的历史研究提供了新的视角。以前的许多研究都忽略了对历史人物和事件探索的不确定性，这限制了研究人员捕捉与历史现象相关的复杂过程的能力。我们提出了一个视觉推理系统，以支持基于中国传记数据库项目的数据对与历史人物时空事件相关的不确定性进行视觉推理。我们构建了一个从历史数据库中提取的实体知识图谱，以捕获由缺失数据和错误产生的不确定性。所提出的系统使用年表概述、地图视图和人际关系矩阵来描述和分析事件的异质信息。该系统还包括不确定性可视化，以识别时空信息缺失或不精确的不确定事件。案例研究和专家评估的结果表明，视觉推理系统能够量化和减少数据产生的不确定性。
[2] 在历史研究中，队列分析旨在通过研究历史人物基于群体的行为来识别社会结构和人物流动性。前人主要采用自动数据挖掘方法，缺乏有效的视觉解释。在本文中，我们介绍了 CohortVA，这是一种交互式可视化分析方法，使历史学家能够将专业知识和洞察力融入迭代探索过程。CohortVA 的内核是一种新颖的识别模型，它通过从大规模历史数据库构建的预构建知识图谱来生成候选队列并构建队列特征。我们提出了一组协调的观点来说明已识别的队列和特征，以及历史事件和图表概况。两个案例研究和对历史学家的采访表明，CohortVA 可以大大增强队列识别、图形身份验证和假设生成的能力。
Part2
分享者：邓凌竹
分享内容：
[1] Y. Sun, B. Cao, P. Zhu and Q. Hu. Drone-Based RGB-Infrared Cross-Modality Vehicle Detection Via Uncertainty-Aware Learning, in IEEE Transactions on Circuits and Systems for Video Technology [J], vol. 32, no. 10, pp. 6700-6713, 2022.
[2] G. Chen, P. Zhu, B. Cao, X. Wang and Q. Hu. Cross-Drone Transformer Network for Robust Single Object Tracking, in IEEE Transactions on Circuits and Systems for Video Technology [J], vol. 33, no. 9, pp. 4552-4563, 2023.
论文简介：
[1] 该论文属于无人机辅助的跨模态车辆检测领域，提出了一种名为不确定性感知的跨模态车辆检测（UA-CMDet）框架，通过构建大规模的无人机拍摄的RGB-红外车辆检测数据集（DroneVehicle），并设计了不确定性感知模块（UAM）和照明感知的非极大值抑制（IA-NMS）策略，有效地融合了RGB和红外图像的互补信息，解决了在复杂环境下，尤其是低光照条件下无人机难以准确检测车辆的问题。
[2] 该篇论文属于无人机视觉跟踪领域，提出了一种名为TransMDOT的新型跨无人机Transformer网络。该网络利用自注意力机制自动捕获多个模板与搜索区域之间的关联，实现了多无人机特征融合，并设计了一个跨无人机映射机制，通过利用跟踪状态良好的无人机的周围信息来辅助丢失目标的无人机重新定位目标。此外，论文还提出了系统感知指数（SPFI），结合时空信息评估多无人机的跟踪状态。通过在MDOT数据集上的实验，证明了TransMDOT在单无人机性能和多无人机系统融合性能方面均优于现有技术。
