論文の概要: DL4SciVis: A State-of-the-Art Survey on Deep Learning for Scientific
Visualization
- arxiv url: http://arxiv.org/abs/2204.06504v1
- Date: Wed, 13 Apr 2022 16:42:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-14 12:43:25.438668
- Title: DL4SciVis: A State-of-the-Art Survey on Deep Learning for Scientific
Visualization
- Title（参考訳）: DL4SciVis: 科学的可視化のためのディープラーニングに関する現状調査
- Authors: Chaoli Wang and Jun Han
- Abstract要約: 我々は,SciVisにおける関連する深層学習(DL)の研究,特にDL4SciVisの方向性を調査した。
ドメイン設定,研究タスク,学習タイプ,ネットワークアーキテクチャ,損失関数,評価指標の6つの側面に沿って,これらの作業の分類と議論を行う。
この最先端のサーベイは、SciVisの研究者がこの新たなトピックの概要を把握し、この研究を拡大するための今後の方向性を指摘している。
- 参考スコア（独自算出の注目度）: 15.080469766866907
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Since 2016, we have witnessed the tremendous growth of artificial
intelligence+visualization (AI+VIS) research. However, existing survey papers
on AI+VIS focus on visual analytics and information visualization, not
scientific visualization (SciVis). In this paper, we survey related deep
learning (DL) works in SciVis, specifically in the direction of DL4SciVis:
designing DL solutions for solving SciVis problems. To stay focused, we
primarily consider works that handle scalar and vector field data but exclude
mesh data. We classify and discuss these works along six dimensions: domain
setting, research task, learning type, network architecture, loss function, and
evaluation metric. The paper concludes with a discussion of the remaining gaps
to fill along the discussed dimensions and the grand challenges we need to
tackle as a community. This state-of-the-art survey guides SciVis researchers
in gaining an overview of this emerging topic and points out future directions
to grow this research.
- Abstract（参考訳）: 2016年以降、人工知能+視覚化(AI+VIS)研究の著しい成長を見てきた。
しかし、AI+VISに関する既存の調査論文は、科学的可視化(SciVis)ではなく、視覚分析と情報可視化に焦点を当てている。
本稿では,SciVisにおける関連する深層学習(DL)の業務,特にDL4SciVisの方向性を調査し,SciVis問題を解決するためのDLソリューションを設計する。
焦点を合わせるために、主にスカラーおよびベクトルフィールドデータを扱うがメッシュデータを除外する作業を検討する。
我々は,これらをドメイン設定,研究タスク,学習型,ネットワークアーキテクチャ,損失関数,評価指標の6次元に分類,検討する。
論文は、議論されるディメンジョンを満たすための残りのギャップと、コミュニティとして取り組むべき大きな課題について論じて締めくくっている。
この最先端のサーベイは、SciVisの研究者がこの新たなトピックの概要を把握し、この研究を拡大するための今後の方向性を指摘している。
関連論文リスト
- Unlocking Comics: The AI4VA Dataset for Visual Understanding [62.345344799258804]
本稿では,1950年代のフレンチ・ベルジアン漫画に,深度推定,セマンティックセグメンテーション,サリエンシ検出,キャラクタ識別などのタスクを注記した新しいデータセットを提案する。
2つの異なる一貫したスタイルで構成され、自然画像から得られたオブジェクトの概念とラベルを取り入れている。
このような多様な情報を含むことで、このデータセットは計算の創造性を約束するだけでなく、アートのデジタル化やストーリーテリングの革新のための道も提供します。
論文 参考訳（メタデータ） (2024-10-27T14:27:05Z) - SPIQA: A Dataset for Multimodal Question Answering on Scientific Papers [43.18330795060871]
SPIQAは、科学研究論文の文脈内で複雑な図形や表を解釈するために設計されたデータセットである。
データセット作成には自動および手動のキュレーションを使用します。
SPIQAは270Kの質問をトレーニング、検証、3つの異なる評価分割に分割する。
論文 参考訳（メタデータ） (2024-07-12T16:37:59Z) - Evaluating ChatGPT-4 Vision on Brazil's National Undergraduate Computer Science Exam [0.0]
本研究では,OpenAIの最も先進的な視覚モデルであるChatGPT-4 Visionの性能について検討する。
試験のオープンで複数選択の質問を元の画像形式で提示することで,モデルの推論能力と自己回帰能力を評価することができた。
ChatGPT-4 Visionは、平均的な試験受験者よりも優れており、スコアパーセンタイルのトップ10に入っている。
論文 参考訳（メタデータ） (2024-06-14T02:42:30Z) - MASSW: A New Dataset and Benchmark Tasks for AI-Assisted Scientific Workflows [58.56005277371235]
我々は,Multi-Aspect Summarization of ScientificAspectsに関する総合テキストデータセットであるMASSWを紹介する。
MASSWには過去50年間にわたる17の主要なコンピュータサイエンスカンファレンスから152,000以上の査読論文が含まれている。
我々は、この新しいデータセットを用いてベンチマーク可能な、複数の新しい機械学習タスクを通じて、MASSWの有用性を実証する。
論文 参考訳（メタデータ） (2024-06-10T15:19:09Z) - A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning [51.7818820745221]
水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。
多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
論文 参考訳（メタデータ） (2024-05-30T04:46:40Z) - The State of the Art in Enhancing Trust in Machine Learning Models with the Use of Visualizations [0.0]
機械学習(ML)モデルは、医学、バイオインフォマティクス、その他の科学など、様々な分野の複雑な応用で使われている。
しかし、ブラックボックスの性質のため、それらが提供する結果を理解し、信頼することは難しいこともある。
これにより、MLモデルの信頼性向上に関連する信頼性の高い視覚化ツールの需要が増加した。
本稿では,インタラクティブな可視化によるMLモデルの信頼性向上について,STAR(State-of-the-Art Report)を提案する。
論文 参考訳（メタデータ） (2022-12-22T14:29:43Z) - Attention is All They Need: Exploring the Media Archaeology of the Computer Vision Research Paper [4.968848569103028]
深層学習革命が学界に前例のない成長をもたらしたため、過去10年間にコンピュータビジョンの変化を研究してきた。
我々の分析は、研究論文要素がいかに広告、測定、普及に寄与するかという研究注意経済に焦点を当てている。
論文 参考訳（メタデータ） (2022-09-22T17:42:44Z) - Deep Depth Completion: A Survey [26.09557446012222]
我々は、読者が研究動向をよりよく把握し、現在の進歩を明確に理解するのに役立つ総合的な文献レビューを提供する。
ネットワークアーキテクチャ,損失関数,ベンチマークデータセット,学習戦略の設計面から,関連する研究について検討する。
室内および屋外のデータセットを含む,広く使用されている2つのベンチマークデータセットに対して,モデル性能の定量的比較を行った。
論文 参考訳（メタデータ） (2022-05-11T08:24:00Z) - Fine-Grained Image Analysis with Deep Learning: A Survey [146.22351342315233]
きめ細かい画像解析(FGIA)は、コンピュータビジョンとパターン認識における長年の根本的な問題である。
本稿では、FGIAの分野を再定義し、FGIAの2つの基礎研究領域、細粒度画像認識と細粒度画像検索を統合することで、FGIAの分野を広げようとしている。
論文 参考訳（メタデータ） (2021-11-11T09:43:56Z) - Threat of Adversarial Attacks on Deep Learning in Computer Vision:
Survey II [86.51135909513047]
ディープラーニングは、予測を操作できる敵攻撃に対して脆弱である。
本稿では,ディープラーニングに対する敵対的攻撃におけるコンピュータビジョンコミュニティの貢献を概観する。
この領域では、非専門家に技術的な用語の定義を提供する。
論文 参考訳（メタデータ） (2021-08-01T08:54:47Z) - From Symbols to Embeddings: A Tale of Two Representations in
Computational Social Science [77.5409807529667]
コンピュータ社会科学(CSS)の研究は、データ駆動型であり、オンラインのユーザ生成コンテンツやソーシャルネットワークの可用性から大きな恩恵を受けている。
回答を探るため、テキストとネットワークの両方でCSSのデータ表現を徹底的にレビューする。
以上の表現の応用は、CSSに関連する6つのトップ会場から400以上の研究論文を調査した結果に基づく。
論文 参考訳（メタデータ） (2021-06-27T11:04:44Z)
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。