論文の概要: ShaRP: Shape-Regularized Multidimensional Projections

• arxiv url: http://arxiv.org/abs/2306.00554v1
• Date: Thu, 1 Jun 2023 11:16:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-02 16:55:40.131443
• Title: ShaRP: Shape-Regularized Multidimensional Projections
• Title（参考訳）: sharp: 形状規則化された多次元射影
• Authors: Alister Machado and Alexandru Telea and Michael Behrisch
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 71.30697308446064
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Projections, or dimensionality reduction methods, are techniques of choice for the visual exploration of high-dimensional data. Many such techniques exist, each one of them having a distinct visual signature - i.e., a recognizable way to arrange points in the resulting scatterplot. Such signatures are implicit consequences of algorithm design, such as whether the method focuses on local vs global data pattern preservation; optimization techniques; and hyperparameter settings. We present a novel projection technique - ShaRP - that provides users explicit control over the visual signature of the created scatterplot, which can cater better to interactive visualization scenarios. ShaRP scales well with dimensionality and dataset size, generically handles any quantitative dataset, and provides this extended functionality of controlling projection shapes at a small, user-controllable cost in terms of quality metrics.
• Abstract（参考訳）: プロジェクション(英: Projections)は、高次元データの視覚的探索に適した手法である。 このような技法は数多く存在し、それぞれ異なる視覚的なシグネチャを持っている。 このようなシグネチャはアルゴリズム設計の暗黙的な結果であり、ローカルデータとグローバルデータパターンの保存、最適化技術、ハイパーパラメータの設定などに焦点を当てている。 我々は新しい投影手法であるsharpを提案する。これは、ユーザーが生成したscatterplotの視覚的なシグネチャを明示的に制御し、よりインタラクティブな視覚化シナリオに役立てることができる。 ShaRPは次元とデータセットサイズによく対応し、あらゆる定量的データセットを汎用的に処理し、品質指標の観点から小さなユーザ制御可能なコストでプロジェクション形状を制御するこの拡張機能を提供する。

関連論文リスト

• PAS-SLAM: A Visual SLAM System for Planar Ambiguous Scenes [41.47703182059505]
  平面不明瞭なシーンを対象とした平面的特徴に基づく視覚的SLAMシステムを提案する。 本稿では,平面パラメータ,意味情報,投影IoU,非パラメトリックテストを組み合わせた統合データアソシエーション戦略を提案する。 最後に、カメラポーズ最適化のための多重制約係数グラフのセットを設計する。
  論文  参考訳（メタデータ） (2024-02-09T01:34:26Z)
• Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
  教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。 本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。 これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
  論文  参考訳（メタデータ） (2024-02-03T19:00:19Z)
• 360 Layout Estimation via Orthogonal Planes Disentanglement and Multi-view Geometric Consistency Perception [60.23832277827669]
  既存のパノラマ配置推定ソリューションは、垂直圧縮されたシーケンスから部屋の境界を復元する傾向がある。 水平深度と比表現に適した教師なし適応手法を提案する。 また,決定レベルのレイアウト解析のための最適化手法と,特徴レベルのマルチビューアグリゲーションのための1次元コストボリューム構築手法も導入する。
  論文  参考訳（メタデータ） (2023-12-26T12:16:03Z)
• Scalable semi-supervised dimensionality reduction with GPU-accelerated EmbedSOM [0.0]
  BlosSOMは高次元データセットの対話型ユーザステアブル可視化のための高性能半教師付き次元減少ソフトウェアである。 現実的なデータセットにBlosSOMを適用することで、ユーザが指定したレイアウトを組み込んだ高品質な視覚化と、特定の機能に集中することが可能になる。
  論文  参考訳（メタデータ） (2022-01-03T15:06:22Z)
• UnProjection: Leveraging Inverse-Projections for Visual Analytics of High-Dimensional Data [63.74032987144699]
  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。
  論文  参考訳（メタデータ） (2021-11-02T17:11:57Z)
• Revisiting Point Cloud Simplification: A Learnable Feature Preserving Approach [57.67932970472768]
  MeshとPoint Cloudの単純化手法は、3Dモデルの複雑さを低減しつつ、視覚的品質と関連する健全な機能を維持することを目的としている。 そこで本研究では,正解点の標本化を学習し,高速点雲の簡易化手法を提案する。 提案手法は、入力空間から任意のユーザ定義の点数を選択し、視覚的知覚誤差を最小限に抑えるために、その位置を再配置するよう訓練されたグラフニューラルネットワークアーキテクチャに依存する。
  論文  参考訳（メタデータ） (2021-09-30T10:23:55Z)
• Polygonal Point Set Tracking [50.445151155209246]
  本稿では,学習に基づく多角形点集合追跡手法を提案する。 私たちのゴールは、ターゲットの輪郭上の対応する点を追跡することです。 本稿では,部分歪みとテキストマッピングに対する本手法の視覚効果について述べる。
  論文  参考訳（メタデータ） (2021-05-30T17:12:36Z)
• DEF: Deep Estimation of Sharp Geometric Features in 3D Shapes [43.853000396885626]
  サンプル3次元形状のシャープな幾何学的特徴を予測するための学習ベースフレームワークを提案する。 個々のパッチの結果を融合させることで、既存のデータ駆動方式では処理できない大きな3Dモデルを処理できる。
  論文  参考訳（メタデータ） (2020-11-30T18:21:00Z)
• Supervised Visualization for Data Exploration [9.742277703732187]
  本稿では,無作為な森林確率と拡散に基づく次元減少に基づく新しい可視化手法について述べる。 我々のアプローチはノイズやパラメータのチューニングに頑健であり、データ探索のための信頼性の高い可視化を作成しながら、簡単に使用できる。
  論文  参考訳（メタデータ） (2020-06-15T19:10:17Z)
• A Grid-based Method for Removing Overlaps of Dimensionality Reduction Scatterplot Layouts [40.11095094521714]
  Distance Grid (DGrid) は、DDR(Diality Reduction) scatterplotレイアウトのオーバーラップを取り除くための新しい後処理戦略である。 元のレイアウトの特徴を忠実に保存し、最小のグリフサイズを束縛する。
  論文  参考訳（メタデータ） (2019-03-08T18:20:36Z)

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。