Fugu-MT 論文翻訳(概要): A Taxonomy of Testable HTML5 Canvas Issues

論文の概要: A Taxonomy of Testable HTML5 Canvas Issues

arxiv url: http://arxiv.org/abs/2201.07351v5
Date: Mon, 18 Mar 2024 16:06:50 GMT
ステータス: 処理完了
システム内更新日: 2024-03-21 02:10:44.807740
Title: A Taxonomy of Testable HTML5 Canvas Issues
Title（参考訳）: テスト可能なHTML5 Canvasの分類
Authors: Finlay Macklon, Markos Viggiato, Natalia Romanova, Chris Buzon, Dale Paas, Cor-Paul Bezemer,
Abstract要約: HTML5 canvas>は、Webアプリケーションで高品質なグラフィックを表示するために広く使われている。そこで本論文では, キャンバスの今後の研究を支援するために, テスト可能なキャンバスの分類について述べる。
参考スコア（独自算出の注目度）: 4.023111415587305
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The HTML5 <canvas> is widely used to display high quality graphics in web applications. However, the combination of web, GUI, and visual techniques that are required to build <canvas> applications, together with the lack of testing and debugging tools, makes developing such applications very challenging. To help direct future research on testing <canvas> applications, in this paper we present a taxonomy of testable <canvas> issues. First, we extracted 2,403 <canvas>-related issue reports from 123 open-source GitHub projects that use the HTML5 <canvas>. Second, we constructed our taxonomy by manually classifying a random sample of 332 issue reports. Our manual classification identified five broad categories of testable <canvas> issues, such as Visual and Performance issues. We found that Visual issues are the most frequent (35%), while Performance issues are relatively infrequent (5%). We also found that many testable <canvas> issues that present themselves visually on the <canvas> are actually caused by other components of the web application. Our taxonomy of testable <canvas> issues can be used to steer future research into <canvas> issues and testing.
Abstract（参考訳）: HTML5<canvas>は、Webアプリケーションで高品質なグラフィックを表示するために広く使われている。しかし、<canvas>アプリケーションを構築するのに必要なWeb、GUI、ビジュアルテクニックの組み合わせは、テストやデバッグツールの欠如とともに、そのようなアプリケーションの開発を非常に困難にしています。本稿では,テスト可能な<canvas>問題の分類について述べる。まず,HTML5<canvas>を使用する123のオープンソースプロジェクトから,2,403件の<canvas>関連イシューレポートを抽出した。第2に,無作為な332件の報告を手作業で分類することで分類を構築した。手動分類では、視覚やパフォーマンスの問題など、テスト可能な<canvas>問題の5つの幅広いカテゴリを特定しました。視覚的な問題は最も頻繁(35%)であり、パフォーマンス上の問題は比較的稀(5%)であることがわかった。また、テスト可能な<canvas>問題の多くが、実際にはWebアプリケーションの他のコンポーネントによって引き起こされていることもわかりました。テスト可能な<canvas>問題の分類は,<canvas>問題とテストの今後の研究に有効である。

関連論文リスト

NaviQAte: Functionality-Guided Web Application Navigation [6.0759036120654315]
NaviQAteは、Webアプリケーションの探索を質問と回答のタスクとして捉え、詳細なパラメータを必要とせずに機能のためのアクションシーケンスを生成する。我々の3段階のアプローチでは、GPT-4oのような先進的な言語モデルを用いて複雑な意思決定を行い、GPT-4o miniのようなコスト効率のよいモデルを用いる。
論文参考訳（メタデータ） (2024-09-16T21:18:39Z)
Follow-Your-Canvas: Higher-Resolution Video Outpainting with Extensive Content Generation [85.0621793883408]
本稿では,大規模なコンテンツ生成による高精細映像の画質向上について検討する。まず、"単発"のアウトペイントという一般的なプラクティスを使わずに、タスクを空間的なウィンドウに分散し、シームレスにマージする、という2つのコア設計に基づいています。 512X512 から 1152X2048 (9X) のような大規模なビデオの露光に優れ、高品質で美的な結果をもたらす。
論文参考訳（メタデータ） (2024-09-02T08:28:57Z)
CharXiv: Charting Gaps in Realistic Chart Understanding in Multimodal LLMs [62.84082370758761]
CharXivは、arXiv論文の2,323のチャートを含む総合的な評価スイートである。品質を確保するために、すべてのチャートと質問は、人間の専門家によって手書きされ、キュレーションされ、検証されます。その結果、最強のプロプライエタリモデルの推論スキルの間に、かなり過小評価されていたギャップが明らかとなった。
論文参考訳（メタデータ） (2024-06-26T17:50:11Z)
WebCanvas: Benchmarking Web Agents in Online Environments [29.278363444725628]
WebCanvasは、Webエージェントのための革新的なオンライン評価フレームワークである。我々は、推論のためのモジュールを備えたエージェントフレームワークをオープンソースとして公開し、コミュニティがオンライン推論と評価を行うための基盤を提供します。ベストパフォーマンスエージェントは,Mind2Web-Liveテストセット上でのタスク成功率23.1%,タスク完了率48.8%を達成する。
論文参考訳（メタデータ） (2024-06-18T07:58:33Z)
ConTextual: Evaluating Context-Sensitive Text-Rich Visual Reasoning in Large Multimodal Models [92.60282074937305]
テキストリッチな画像に対して文脈に敏感な推論を必要とする人為的な命令を特徴とする新しいデータセットであるConTextualを紹介した。そこで本研究では,14の基盤モデルの性能評価実験を行い,人為的な性能基準を確立する。 GPT-4Vとヒトのパフォーマンスの30.8%の有意な性能差を観察した。
論文参考訳（メタデータ） (2024-01-24T09:07:11Z)
Vision-Based Mobile App GUI Testing: A Survey [29.042723121518765]
ビジョンベースのモバイルアプリ GUI テストアプローチは、コンピュータビジョン技術の開発とともに現れた。本稿では,271論文における最新技術に関する包括的調査を行い,92論文は視覚に基づく研究である。
論文参考訳（メタデータ） (2023-10-20T14:04:04Z)
NuScenes-QA: A Multi-modal Visual Question Answering Benchmark for Autonomous Driving Scenario [77.14723238359318]
NuScenesQAは、自動運転シナリオにおけるVQAの最初のベンチマークであり、34Kの視覚シーンと460Kの質問応答ペアを含んでいる。既存の3D検出アノテーションを利用してシーングラフと質問テンプレートを手動で作成する。先進的な3D検出とVQA技術を用いた一連のベースラインを開発する。
論文参考訳（メタデータ） (2023-05-24T07:40:50Z)
PosterLayout: A New Benchmark and Approach for Content-aware Visual-Textual Presentation Layout [62.12447593298437]
コンテンツ対応視覚テキスト提示レイアウトは,所定のキャンバス上の空間空間を予め定義された要素にアレンジすることを目的としている。本稿では,設計過程を模倣するためにレイアウトの要素を再編成する設計シーケンス形成(DSF)を提案する。 CNN-LSTMに基づく新しい条件生成対向ネットワーク(GAN)を提示し、適切なレイアウトを生成する。
論文参考訳（メタデータ） (2023-03-28T12:48:36Z)
Webly Supervised Fine-Grained Recognition: Benchmark Datasets and An Approach [115.91099791629104]
WebFG-496 と WebiNat-5089 の2つの新しいベンチマークを構築した。 WebiNat-5089には5089のサブカテゴリと1100万以上のWebトレーニングイメージが含まれている。そこで本研究では,これらのデータセットのベンチマークを行うための新しいウェブ教師付き手法("Peer-learning'" と呼ぶ)を提案する。
論文参考訳（メタデータ） (2021-08-05T06:28:32Z)
Predicting Issue Types on GitHub [8.791809365994682]
Ticket Taggerは、機械学習技術による課題のタイトルと説明を分析するGitHubアプリである。私たちは、約30,000のGitHubイシューに対して、ツールの予測パフォーマンスを実証的に評価しました。
論文参考訳（メタデータ） (2021-07-21T08:14:48Z)
GLIB: Towards Automated Test Oracle for Graphically-Rich Applications [26.940850357831657]
我々は,ゲームGUIの不具合を検出するためのコードベースのデータ拡張技術に基づくtextttGLIBを提案する。 textttGLIBは、ゲームGUIグリッチのような非クラッシングバグを検出する際に、100%の精度と99.5%のリコールを達成することができる。
論文参考訳（メタデータ） (2021-06-19T14:50:43Z)

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。