基于神经网络的可视化与可视分析国际学术报告成功举行的报告( 二 ) _数据可视化

图4 自适应采样重构网络模型输出与真实值对比
接下来，教授回到原来的话题，讨论了事后可视化渲染另一种选择是压缩数据进行流式传输或实时存储学术数据分析及可视化，而在远程可视化端，这些压缩后的数据流可以进行实时处理-时间。这些做法包括以下内容：
< @1. 只提取特定的特征和流（但这并不是真正的数据压缩）
2. 用经典的压缩算法和流压缩数据；流式传输后，可以随机访问压缩后的数据流，避免恢复整个数据集带来的数据大小问题
在传输之前压缩数据相比传输原始数据可以帮助缓解带宽压力，但是这种做法也将数据渲染时间从几秒增加到几分钟，这是不可接受的。教授团队提出Fast Scene（fV-SNR），从硬件和网络结构两方面对之前的工作进行了改进，减少了压缩和解压所需的时间，即生成紧凑表示所需的学习时间和渲染时间数据。

图5. fV-SNR在硬件和网络结构上的两个改进
在硬件方面，这种方法考虑了线程数，warp中的线程数，张量处理单元中的矩阵列数，以及共享内存大小。在网络结构方面，该方法提出了三维潜在空间网格，即原始数据在潜在空间中的紧凑表示。结合网络参数和坐标轴，这个表达式可以重构原始数据，即“解压” 。
与of中的方法（图6括号中的数据）相比，fV-SNR在减少训练时间和渲染时间方面表现出色（图6中的蓝色部分）。

图6 fV-SNR方法与该方法相比在训练时间和渲染时间上有很大的改进
该方法进一步使用fV-SNR重构时间序列。fV-SNR可以构建单帧数据的3D潜在空间网格，通过对关键帧的3D潜在空间网格进行插值，实现时间序列数据的重构。同时，这个过程也可以看作是时序数据的解压。
教授在进行基于神经网络的数据缩减时提到了一些见解和挑战。首先，没有足够的高分辨率和低分辨率模拟数据进行训练，这当然可以通过数据增强等方法来解决。其次，在从低分辨率图像推断高分辨率图像的过程中没有物理约束，这可能需要将物理先验知识和正则化结合到神经网络中。
在问答环节，教授与听众进行了热烈的交流。在谈到超分辨率技术在体数据原位可视化中的作用时，教授指出，传输高分辨率图像需要很长时间，而且通常会压缩图像以提高传输效率，而超分辨率技术用于恢复压缩后图像的质量，虽然基于神经网络方法的渲染结果并不完全可靠，但它仍然为我们提供了一种方便快捷的体数据渲染方法。至于性能问题，将随着硬件技术和神经网络架构的进步而得到解决。另一位听众问：你需要为特定的数据集训练特定的网络模型，还是在一组相似的数据集上共享一个模型？教授指出，图像上采样模型将使用数据集进行训练，然后用于所有其他数据集。至于图像压缩，首先需要训练模型以适应特定的数据集，这通常比压缩本身更耗时。因此，教授认为模型的泛化能力非常重要，需要考虑如何克服过拟合，使压缩后的模型可以在其他数据集上共享。
【基于神经网络的可视化与可视分析国际学术报告成功举行的报告】本次活动得到浙江大学CAD&CG国家重点实验室的支持，由中南大学计算机学院、可视化与可视化分析专委会常务委员夏家智教授主持。下一次报告将于2022年5月19日19:00-20:30举行，特邀德国斯图加特大学教授作为演讲嘉宾。

以上关于本文的内容，仅作参考！温馨提示：如遇专业性较强的问题（如：疾病、健康、理财等），还请咨询专业人士给予相关指导!

「辽宁龙网」www.liaoninglong.com小编还为您精选了以下内容，希望对您有所帮助：