浙江大学可视化小组招聘设计师一名

浙江大学CAD&CG国家重点实验室可视分析小组(http://www.cad.zju.edu.cn/home/vagblog)招聘设计师1人。设计专业本科以上学历,女,35周岁以下,熟悉掌握文章编辑工具,英文较好,具有很好的交流能力和协调处理能力,责任心强。主要工作任务是大数据可视化设计和外宣设计,年薪8万起,待遇走浙江大学校内临时聘用体系。发简历联系 chenwei@cad.zju.edu.cn 欢迎大家推荐。

复合流图

论文信息:Cornel, D., Konev, A., Sadransky, B., Horváth, Z., Brambilla, A., Viola, I., & Waser, J. (2016). Composite Flow Maps. Computer Graphics Forum, 35(3). http://doi.org/10.1111/cgf.12922

流图(Flow maps)编码成带箭头的线段,线段之间顺序连接一些节点,线段的宽度表示流的度量。流图常用于运动对象在不同位置间的移动过程。例如,物流系统中货物的运输过程;紧急事故发生时,人群的逃生过程;洪水灾难发生时,潮流的变化过程等。为了有效地提供决策,在这些应用中通常需要同时观察多种流的特性,如不同的运动方向、不同的运输材料、从不同房间逃生的人群、可能的形势(“最坏”、“至少”、“期望”)等。在不同的应用场景中,决策者可能需要掌握流的总体趋势,或者需要了解流的局部详细特征。

在这篇论文中,作者提出了一种从大量运动数据中自动生成流图的技术。该技术能够在一个可视化视图中同时呈现多种不同的流的属性,如不同的材质、方向、流的起点和终点。此项技术的基础是根据应用的语义和地理空间上下文把空间分割成多个区域。分割后,计算相邻区域之间的流属性数据。生成的流图可以在不同地图层级间变化,而且能够保留重要的细节特征,如图1(点击图片查看大图,下同)所示。

流图的生成过程

第一步首先对兴趣空间将其分割成一维(图2上部分)或二维(图2下部分)区域。随后计算所有相邻区域间的边界流(border flows)的各项参数(图2b)。边界流通过计算从一个区域到另一个区域的流量值的总和来获取。而判断两个区域是否相邻的方法是一维上两个区域是否共享同一个端点,二维上是否共享多边形的边。通过分割和计算,区域及其连接关系可以通过抽象的区域图来表示(图2c)。最后将抽象的空间关系图映射到地图上(图2d)。

继续阅读 =>

近期小组参观照片汇总

AmbiguityVis: Visualization of Ambiguity in Graph Layouts

论文:AmbiguityVis: Visualization of Ambiguity in Graph Layouts

作者:Yong Wang, Qiaomu Shen, Daniel Archambault, Zhiguang Zhou, Min Zhu, Sixiao Yang, Huamin Qu

发表会议:InfoVis 2016

 

1.动机

对于目前被广泛应用的节点链接图来说,由模糊信息导致的歧义很难避免。除此之外,当图结构比较复杂时,用户经常需要边捆绑和点聚合等方法来简化它。

2.贡献

该工作的贡献包括一些可以量化图结构中的歧义的度量方法,可以基于度量方法得到的结果来可视化图结构中歧义的系统以及相关案例和专家建议。

3.相关工作

本文的相关工作从图的绘制,图的可读性度量以及社团的分离性度量三个方面进行了比较充实的讨论。

继续阅读 =>

美国宾夕法尼亚州立大学Dr. Zhenhui (Jessie) Li学术报告

6月23日上午10:00,来自美国宾夕法尼亚州立大学的Dr. Zhenhui (Jessie) Li为CAD&CG国家重点实验室带来了题为“Toward Semantic Understanding of Human Mobility Data”的学术报告。

继续阅读 =>

Ming C. Lin教授应邀访问VAG小组

6月15日上午,著名虚拟现实和动画、图形学专家、IEEE TVCG前主编、美国UNC大学Ming C. Lin教授应邀到访小组。

继续阅读 =>

Vials: Visualizing Alternative Splicing of Genes

论文:Vials: Visualizing Alternative Splicing of Genes

作者:Hendrik Strobelt, Bilal Alsallakh, Joseph Botros, Brant Peterson, Mark Borowsky, Hanspeter Pfister, and Alexander Lex

发表会议:InfoVis 2015

 

介绍

在这篇文章中,Hendrik Strobelt等人提出了一种基因选择性剪接的可视化系统。

选择性剪接的工作机制是:同一DNA序列,在转录过程中选择性地省略或缩短一些相关的编码区(外显子),从而生成多种mRNA异构体,指导合成多种多样的蛋白质。

选择性剪接的检测比较困难,需要使用先进的数据采集方法和统计推断方法。目前比较常用的有mRNA测序方法。

关于异构体丰度的研究对于理解正常生理过程和疾病过程具有重要作用,最终可以帮助靶向治疗。由于异构体数据比较复杂,现有的关于异构体的可视化系统既不具备有效的感知性,也不具备可拓展性。为了弥补这些缺点,他们实现了一个可视分析工具,命名为Vials,帮助分析人员探索异构体数据库:包括编码区序列(外显子)的丰度,连接的支持数据,异构体频率的预测等。Vials具有可拓展性,可以支持同时分析多个组内的许多样本。他们的工具可以帮助专家在多组样本中,确定异构体丰度的模式,评估数据的质量等。

继续阅读 =>

TrajGraph: A Graph-Based Approach to Studying Urban Network Centralities Using Taxi Trajectory Data

论文:TrajGraph: A Graph-Based Approach to Studying Urban Network Centralities Using Taxi Trajectory Data

作者:Xiaoke Huang, Ye Zhao, Jing Yang, Chong Zhang, Chao Ma, Xinyue Ye

发表会议:VAST2015

介绍

出租车轨迹在一定程度上反应了整个城市道路的动态交通信息,我们可以从出租车轨迹观察到真实的交通流以及城市级别的交通模式。为了反应道路结构,过去的研究往往采用图模型的方法,但是他们只考虑的静态的路网数据,没有使用真实的交通数据,进几年来的工作也不能反应城市范围的路网并且支持交互式分析。为此,作者提出了TrajGraph。TrajGraph同时结合了路网结构和真实的出租车数据。为了支持交互式分析,TrajGraph做了空间简化,使用了图分割算法,把街道级别的图模型转换为区域级别的图模型。同时,为了研究分析城市中不同区域在交通中的重要程度,作者基于TrajGraph计算了图的中心性,包括Pagerank和betweenness。这些中心性由三个联动的视图:结点连接图、地图和时间信息图可视化展示出来,用户可以交互式地分析探索城市交通的模式。

构造图

首先,基于路网和出租车轨迹信息,我们可以构造一个图模型。如下图,我们把每一个街道转换为一个结点,在街道间的转换就是一条边。比如,有一辆出租车从道路D行驶到道路F,那么在对应的图模型中就会生成结点D和F以及边DF。这是考虑了一些道路上的约束,比如不能从道路C行驶到道路A,这样的约束很容易在这样的图模型中表示出来。边的权重统一设为1,结点的权重可以有四种,路段长度、出租车数量、平均通行时间和平均速度。前一个反应了道路结构,后三个都是反应了交通信息。

继续阅读 =>

G2(The Grammar Of Graphics)公开分享课

时间:2016年5月27日(星期五)

地点:浙江大学紫金港校区蒙民伟楼CAD&CG国家重点实验室421室

本周组会之后,将有支付宝前端的工程师向大家介绍蚂蚁金服最新推出的可视化语言G2。

相关链接:http://g2.alipay.com/

G2(The Grammar Of Graphics) 是一个由纯 javascript 编写、强大的语义化图表生成工具,它提供了一整套图形语法,可以让用户通过简单的语法搭建出无数种图表,并且集成了大量的统计工具,支持多种坐标系绘制,可以让用户自由得定制图表,是为大数据时代而准备的强大的可视化工具。

G2 的强大是由其背后的一套图形语法所支撑的,它基于《The Grammar of Graphics》(Leland Wilkinson 著)一书,它由一系列独立的图形部件组成,并能以多种不同的方式组合起来。数据可视化是一个数据到图形的映射过程,所以所谓的图形语法就是:

『一张统计图形就是数据到几何图形对象(Geom)的图形属性(Attrs)的一个映射,此外图形中还可包括数据的统计变换(Stat),最后绘制到某个特定的坐标系(Coord)中,而分面(Facet)则可以用来生成数据各个子集的图形。』

继续阅读 =>

Spatio-Temporal Modeling and Prediction of Visual Attention in Graphical User Interfaces

这篇文章中,Pingmei Xu等人提出了一个 对于GUI中人的视觉注意进行时空预测的模型。这个模型基于图形界面、用户的鼠标和键盘输入,不依赖于眼动追踪仪器,能够帮助我们很好地捕捉和预测用户在GUI上的注意力。

在人机交互的领域,视线(Gaze)有着重要的意义。它既可以作为外显的输入,用于对沉浸式设备(例如虚拟现实眼镜)进行交互控制,同时也是一种内隐的输入,表现用户的兴趣与关注。在人机交互中,视线的使用也有着一些基本的局限性。对于视线的估计需要特殊的眼动跟踪仪器,这些仪器往往造价不菲,难以入手,因此并非在大多数场合都是通用的。此外,眼动追踪仪只能告诉我们用户视线当前和过去位置,无法预测用户未来可能关注的位置。对于这些问题,一种常见解决办法是使用视觉注意的计算模型。典型地,它会将一张图片作为输入,预测那些局部特征和周围显著不同的区域,认为它们最可能在接下来被用户注意到。这些模型有着局限性,主要在于:没有考虑到用户的其他输入;没有考虑到界面信息;没有考虑到用户的交互历史。

继续阅读 =>

第 3 页,共 28 页12345...1020...最旧 »