論文の概要: UnProjection: Leveraging Inverse-Projections for Visual Analytics of
High-Dimensional Data
- arxiv url: http://arxiv.org/abs/2111.01744v1
- Date: Tue, 2 Nov 2021 17:11:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2021-11-03 14:33:47.938308
- Title: UnProjection: Leveraging Inverse-Projections for Visual Analytics of
High-Dimensional Data
- Title（参考訳）: UnProjection:高次元データのビジュアル分析に逆投影を活用する
- Authors: Mateus Espadoto, Gabriel Appleby, Ashley Suh, Dylan Cashman, Mingwei
Li, Carlos Scheidegger, Erik W Anderson, Remco Chang, Alexandru C Telea
- Abstract要約: 提案するNNInvは,プロジェクションやマッピングの逆を近似する深層学習技術である。
NNInvは、2次元投影空間上の任意の点から高次元データを再構成することを学び、ユーザーは視覚分析システムで学習した高次元表現と対話することができる。
- 参考スコア（独自算出の注目度）: 63.74032987144699
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Projection techniques are often used to visualize high-dimensional data,
allowing users to better understand the overall structure of multi-dimensional
spaces on a 2D screen. Although many such methods exist, comparably little work
has been done on generalizable methods of inverse-projection -- the process of
mapping the projected points, or more generally, the projection space back to
the original high-dimensional space. In this paper we present NNInv, a deep
learning technique with the ability to approximate the inverse of any
projection or mapping. NNInv learns to reconstruct high-dimensional data from
any arbitrary point on a 2D projection space, giving users the ability to
interact with the learned high-dimensional representation in a visual analytics
system. We provide an analysis of the parameter space of NNInv, and offer
guidance in selecting these parameters. We extend validation of the
effectiveness of NNInv through a series of quantitative and qualitative
analyses. We then demonstrate the method's utility by applying it to three
visualization tasks: interactive instance interpolation, classifier agreement,
and gradient visualization.
- Abstract（参考訳）: 投影技術は高次元データを視覚化するためによく使われ、2次元画面上の多次元空間の全体構造をよりよく理解することができる。
そのような方法の多くは存在するが、逆射影の一般化可能な方法 -- 射影点を元の高次元空間に戻す過程 -- について、比較できる限りほとんど研究されていない。
本稿では,任意の投影や写像の逆を近似する深層学習手法であるnninvについて述べる。
NNInvは、2次元投影空間上の任意の点から高次元データを再構成することを学び、ユーザーは視覚分析システムで学習した高次元表現と対話することができる。
NNInvのパラメータ空間の解析を行い、これらのパラメータを選択する際のガイダンスを提供する。
NNInvの有効性の検証を定量的および定性的な分析によって拡張する。
次に,対話型インスタンス補間,分類器合意,勾配可視化という3つの可視化タスクに適用することで,本手法の有用性を実証する。
関連論文リスト
- From Flatland to Space: Teaching Vision-Language Models to Perceive and Reason in 3D [32.547597353581594]
本研究では,3次元地上構造を持つシーンデータ上に構築された新しい2次元空間データ生成およびアノテーションパイプラインを提案する。
複数の公開データセットにまたがって数千のシーンから生成される大規模データセットであるSPAR-7Mを構築した。
さらに,空間能力をより包括的に評価するためのベンチマークであるSPAR-Benchを紹介する。
論文 参考訳（メタデータ） (2025-03-29T04:51:50Z) - A new visual quality metric for Evaluating the performance of multidimensional projections [1.6574413179773757]
人間の知覚に基づく新しい視覚品質指標を提案する。
提案手法は,MPの質を従来の測定値よりも正確に分析する。
論文 参考訳（メタデータ） (2024-07-23T09:02:46Z) - ShaRP: Shape-Regularized Multidimensional Projections [71.30697308446064]
本稿では,生成した散布板の視覚的シグネチャをユーザが明示的に制御できる新しいプロジェクション技術,ShaRPを提案する。
ShaRPは次元とデータセットサイズによく対応し、任意の定量的データセットを汎用的に処理する。
論文 参考訳（メタデータ） (2023-06-01T11:16:58Z) - Neural Vector Fields: Implicit Representation by Explicit Learning [63.337294707047036]
ニューラルベクトル場 (Neural Vector Fields, NVF) という新しい3次元表現法を提案する。
メッシュを直接操作するための明示的な学習プロセスを採用するだけでなく、符号なし距離関数(UDF)の暗黙的な表現も採用している。
提案手法は,まず表面への変位クエリを予測し,テキスト再構成として形状をモデル化する。
論文 参考訳（メタデータ） (2023-03-08T02:36:09Z) - GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。
本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。
提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-10-19T17:56:03Z) - ENS-t-SNE: Embedding Neighborhoods Simultaneously t-SNE [1.9573380763700716]
ENS-t-SNEは、t-Stochastic Neighborhood Embeddingアプローチを同時に一般化する。
ENS-t-SNEの3D埋め込みにおける異なる視点を使用することで、同じ高次元データセット内の異なるタイプのクラスタを視覚化することができる。
論文 参考訳（メタデータ） (2022-05-24T02:02:05Z) - Neural Radiance Fields Approach to Deep Multi-View Photometric Stereo [103.08512487830669]
多視点測光ステレオ問題(MVPS)に対する現代的な解法を提案する。
我々は、光度ステレオ(PS)画像形成モデルを用いて表面配向を取得し、それを多視点のニューラルラディアンス場表現とブレンドして物体の表面形状を復元する。
本手法は,多視点画像のニューラルレンダリングを行い,深部光度ステレオネットワークによって推定される表面の正規性を活用している。
論文 参考訳（メタデータ） (2021-10-11T20:20:03Z) - H3D-Net: Few-Shot High-Fidelity 3D Head Reconstruction [27.66008315400462]
表面形状を暗黙的に表現する最近の学習手法は、多視点3次元再構成の問題において顕著な結果を示している。
我々はこれらの制限を,数発のフル3次元頭部再構成の特定の問題に対処する。
暗黙の表現を用いて,数千個の不完全な生スキャンから3次元頭部形状モデルを学習する。
論文 参考訳（メタデータ） (2021-07-26T23:04:18Z) - Consistent Representation Learning for High Dimensional Data Analysis [30.122549443821974]
高次元データ分析には、次元削減、クラスタリング、可視化の3つの基本的なタスクが含まれる。
3つの関連するタスクが別々に実行されると、矛盾が生じます。
本稿では,3つのタスクをエンドツーエンドに実行するために,Consistent Representation Learningと呼ばれるニューラルネットワークに基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2020-12-01T13:39:50Z) - Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。
前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
論文 参考訳（メタデータ） (2020-05-19T05:54:14Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。