Apr, 2022

DL4SciVis: 科学可视化深度学习的最新调查

PDF
TL;DR本篇论文基于 DL 算法在科学可视化方面的应用，围绕域设置、研究任务、学习类型、网络架构、损失函数和评估指标等六个方面，分类和讨论解决标量场和矢量场数据问题的相关工作，为 SciVis 研究者提供了最新前沿综述和未来增长方向的指引。
artificial intelligencescientific visualizationdeep learningscalar field datavector field data
发现论文，激发创造
  • 机器学习的视觉分析：数据视角调查

    本论文对机器学习模型的数据方面的可视化相关研究进行了系统梳理和分析，提出了五类数据类型和六种数据中心任务，并分析了 143 篇论文的相关分布，展望了未来的研究趋势和方向。

    Jul, 2023

  • 深度学习中的可视化分析：对下一步前沿的问询调查

    本文综述了可视化分析在深度学习中的角色，并且结合人类中心疑问框架，着重讨论了为什么、谁、什么、如何、何时和何地，从而全面总结了目前的研究现状，同时提出了未来研究的方向和问题。

    Jan, 2018

  • 科学中的深度学习

    这篇文章利用自然语言处理技术，针对多个领域的相关研究文献分析了深度学习技术的扩散和影响，在研究健康科学的过程中发现，深度学习技术的采用虽然与知识结构的颠覆和再组合的新颖性呈现负相关，但却能提高期望和引用性能方面的变异性。因此，深度学习方法可以作为一种通用的科学方法，以可衡量的方式推动科学的进展。

    Sep, 2020

  • 人工智能下的视觉知识发现：挑战与未来方向

    本文介绍了融合人工智能 / 机器学习和可视化 / 视觉分析的新兴领域 —— 综合视觉知识发现。文章着重探讨了可视分析、可视化知识发现以及人工智能 / 机器学习的挑战和未来方向，并讨论了可视化在视觉人工智能 / 机器学习中的作用。此外，文章介绍了在视觉帮助下新兴的全 2D ML、自然语言处理以及多维数据中的人工智能 / 机器学习的进展。

    May, 2022

  • 可解释深度学习的可视化分析

    本文回顾了与深度学习可解释性和控制相关的视觉分析、信息可视化和机器学习观点，讨论了潜在的挑战和未来研究方向。

    Apr, 2018

  • 可视化的生成人工智能：现状与未来发展方向

    本文总结了在可视化领域中利用生成式人工智能（GenAI）的方法，涵盖了不同类型的 GenAI 方法在数据增强、可视化映射生成、风格化和交互等各个阶段的应用，同时阐述了评估、数据集和端到端 GenAI 与生成算法之间的挑战和研究机会。通过总结不同的生成算法、其当前应用和限制，希望为未来的 GenAI4VIS 研究提供有用的见解。

    Apr, 2024

  • 野外科学计算的深度主动学习

    本文首次探究使用十个最先进的深度主动学习方法并解决八个基准问题的科学计算问题的鲁棒性，并建议对于科学计算问题，多样性是鲁棒的深度主动学习的必要条件。

    Jan, 2023

  • 视觉与语言研究整合趋势：任务、数据集和方法调查

    本次调查聚焦于十项著名任务，介绍其问题形式、方法、现有数据集、评估措施，并与相应的最新方法进行比较。我们的工作超越早期的调查，既非任务特定的，也不仅针对一种类型的视觉内容，即图像或视频。此外，我们还提供了该研究领域的一些潜在未来方向，期望此次调查能激发革新性的思路和想法，以解决现有挑战并构建新的应用。

    Jul, 2019

  • 揭示深度学习的前沿：塑造多样领域的创新

    通过综合研究文献，本文广泛探讨了深度学习在各个学科中的潜在应用，以及相关的优势和挑战，验证了深度学习在预测分析方面的准确性和优势，使其成为一种强大的计算工具。深度学习独立于训练数据，因此需要大量的数据进行有效的分析和处理。为了处理大量的医疗、科学、医疗保健和环境数据，可以利用诸如 LSTMs 和 GRUs 的门控架构。对于多模态学习，神经网络中的共享神经元和特定任务的专用神经元是必要的。

    Sep, 2023

  • 水资源科学中深度学习研究的跨学科综述

    本篇综述论文探讨了使用深度学习来解决在水资源科学领域面临的诸多挑战，以及深度学习在其他领域的经验和方法对于水研究的启示。

    Dec, 2017