論文の概要: PaCoNet: Deep Data Extraction for Parallel Coordinates
- arxiv url: http://arxiv.org/abs/2608.06030v1
- Date: Thu, 06 Aug 2026 13:37:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 17:43:06.768461
- Title: PaCoNet: Deep Data Extraction for Parallel Coordinates
- Title（参考訳）: PaCoNet: 並列コーディネートのためのディープデータ抽出
- Abstract要約: PaCoNetは並列座標データ抽出のための最初のアプローチである。
並列座標解析に適した最初の深層学習手法を提案する。
トレーニングとテストのための大規模並列座標データセットを導入する。
- 参考スコア（独自算出の注目度）: 10.326839800589985
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Extracting data from visualizations has long challenged computer vision, with current research focused on bar, line, and pie charts, among other low-dimensional visualizations. However, parallel coordinates as a widely used high-dimensional data visualization approach, remain largely unexplored in this context. As parallel coordinate plots can quickly become cluttered and difficult to interpret when poorly designed or densely populated, automated data extraction from such visualizations is of particular interest. In this paper, we propose PaCoNet, the first approach for parallel coordinate data extraction. PaCoNet not only extracts line coordinates, but also enables the extraction of individual data samples for further analysis. Towards this end, we make the following contributions. We present the first deep learning approach tailored for parallel coordinate analysis, and demonstrate that it outperforms unadapted baselines by a significant margin. We further introduce a large-scale parallel coordinate dataset for training and testing. Together, these key contributions enable for the first time the automated analysis and redesign of parallel coordinate plots. PaCoNet thus lays the groundwork for complex visualization analysis, and further advances the intersection of computer vision and data visualization. All code, trained models, and data generation scripts will be made publicly available upon acceptance of the paper.
- Abstract（参考訳）: ヴィジュアライゼーションからデータを抽出することは、バー、ライン、パイチャートといった低次元のヴィジュアライゼーションに焦点を絞ったコンピュータビジョンに長年挑戦してきた。
しかし、高次元データ可視化手法として広く使われている並列座標は、この文脈では明らかにされていない。
並列座標プロットは、設計が不十分な場合や人口密度の低い場合、すぐに散らかって解釈しにくくなるため、このような視覚化から自動データ抽出が特に興味深い。
本稿では,並列座標データ抽出のための最初のアプローチであるPaCoNetを提案する。
PaCoNetは線座標を抽出するだけでなく、個々のデータサンプルを抽出してさらなる分析を可能にする。
この目的に向けて、以下の貢献を行う。
本稿では,並列座標解析に適した最初の深層学習手法を提案する。
さらに、トレーニングとテストのための大規模並列座標データセットも導入する。
これらの重要な貢献により、並列座標プロットの自動解析と再設計が可能となった。
PaCoNetは複雑な可視化分析の基礎を築き、コンピュータビジョンとデータの可視化の交差点をさらに前進させる。
すべてのコード、トレーニングされたモデル、およびデータ生成スクリプトは、論文の受理時に公開される。
関連論文リスト
- LocateAnything: Fast and High-Quality Vision-Language Grounding with Parallel Box Decoding [80.49137401046201]
並列ボックスデコーディング(PBD)に基づく統合生成基盤・検出フレームワークを提案する。
PBDはデコードスループットとローカライズ精度の両方を改善する。
さらに、スケーラブルなデータエンジンを開発し、1億1800万以上のトレーニングサンプルを持つ大規模データセットであるLocateAnything-Dataをキュレートします。
論文 参考訳（メタデータ） (2026-05-26T17:59:12Z) - Tracing the Roots: A Multi-Agent Framework for Uncovering Data Lineage in Post-Training LLMs [81.43302841109349]
学習後のデータは、大規模言語モデル(LLM)の機能を形成する上で重要な役割を果たす
本稿では,データセット開発における進化グラフを再構築する自動マルチエージェントフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-12T06:24:07Z) - MapGCLR: Geospatial Contrastive Learning of Representations for Online Vectorized HD Map Construction [44.37176678126708]
自動運転車は周囲の世界を理解するために地図情報に依存している。
よりスケーラブルな代替手段は、オンラインのHDマップ構築にある。
本研究は、ベクトル化されたオンラインHDマップ構築モデルにおいて、潜伏鳥眼ビュー(BEV)特徴グリッド表現を改善することに焦点を当てる。
我々は、単一トラバーサルラベル付きデータの縮小セットを用いて教師付き同じモデルを訓練し、マルチトラバーサル要求に従ってより広範なラベル付きデータセットに基づいて自己教師する。
論文 参考訳（メタデータ） (2026-03-11T11:58:23Z) - CoDA: Agentic Systems for Collaborative Data Visualization [57.270599188947294]
深層研究はデータ分析に革命をもたらしたが、データサイエンティストは依然として手作業による視覚化にかなりの時間を費やしている。
単純なシングルエージェントシステムやマルチエージェントシステムを含む既存のアプローチは、しばしばタスクを単純化する。
本稿では,メタデータ分析,タスク計画,コード生成,自己回帰に特殊なLLMエージェントを利用するマルチエージェントシステムであるCoDAを紹介する。
論文 参考訳（メタデータ） (2025-10-03T17:30:16Z) - Enhancing Polygonal Building Segmentation via Oriented Corners [0.3749861135832072]
本稿では,入力画像から直接ポリゴンを抽出する,OriCornerNetという新しいディープ畳み込みニューラルネットワークを提案する。
我々のアプローチは、隣接する角への方向を示すフットプリントマスク、コーナー、配向ベクトルを予測できる深いモデルを含む。
SpaceNet VegasとCrowdAIの小さなデータセットで行った性能評価は、我々のアプローチの競争力を示すものである。
論文 参考訳（メタデータ） (2024-07-17T01:59:06Z) - RLIPv2: Fast Scaling of Relational Language-Image Pre-training [53.21796397618875]
本稿では,大規模な擬似ラベル付きシーングラフデータに対する事前学習のリレーショナルスケーリングを可能にする高速収束モデルRLIPv2を提案する。
非対称言語画像融合 (ALIF) は、より早く、より深く分岐したクロスモーダル融合と、スパシファイド言語による符号化を容易にする。
RLIPv2は、3つのベンチマークで、完全な微調整、少数ショット、ゼロショット設定で、最先端のパフォーマンスを示す。
論文 参考訳（メタデータ） (2023-08-18T07:17:09Z) - A fast topological approach for predicting anomalies in time-varying
graphs [0.0]
トポロジカルデータ解析(TDA)からの永続化ダイアグラム(PD)は、点間距離が明確に定義されたデータ形状記述法として人気がある。
本稿では,グラフデータから形状情報を抽出する計算効率の良いフレームワークを提案する。
実際のデータアプリケーションでは、暗号取引ネットワークの異常な価格予測において、我々のアプローチは最大で22%上昇する。
論文 参考訳（メタデータ） (2023-05-11T01:54:45Z) - Line Graph Contrastive Learning for Link Prediction [4.876567687745239]
多視点情報を得るために,Line Graph Contrastive Learning (LGCL)法を提案する。
6つの公開データセットの実験により、LGCLはリンク予測タスクの現在のベンチマークを上回っている。
論文 参考訳（メタデータ） (2022-10-25T06:57:00Z) - Learning Co-segmentation by Segment Swapping for Retrieval and Discovery [67.6609943904996]
この研究の目的は、一対のイメージから視覚的に類似したパターンを効率的に識別することである。
画像中のオブジェクトセグメントを選択し、それを別の画像にコピーペーストすることで、合成トレーニングペアを生成する。
提案手法は,Brueghelデータセット上でのアートワークの詳細検索に対して,明確な改善をもたらすことを示す。
論文 参考訳（メタデータ） (2021-10-29T16:51:16Z) - Measures of Complexity for Large Scale Image Datasets [0.3655021726150368]
本研究では,データセットの複雑さを計測する比較的単純な手法のシリーズを構築する。
我々は,自動運転研究コミュニティであるCityscapes,IDD,BDD,Vistaの4つのデータセットを用いて分析を行った。
エントロピーに基づくメトリクスを用いて、これらのデータセットのランク順の複雑さを示し、ディープラーニングに関して確立されたランク順と比較する。
論文 参考訳（メタデータ） (2020-08-10T21:54:23Z) - Hallucinative Topological Memory for Zero-Shot Visual Planning [86.20780756832502]
視覚計画(VP)では、エージェントは、オフラインで取得した動的システムの観察から目標指向の振る舞いを計画することを学ぶ。
以前のVPに関するほとんどの研究は、学習された潜在空間で計画することでこの問題にアプローチし、結果として品質の低い視覚計画を生み出した。
本稿では,画像空間を直接計画し,競合性能を示すシンプルなVP手法を提案する。
論文 参考訳（メタデータ） (2020-02-27T18:54:42Z)
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。