基于强化学习的星形图集形状驱动坐标排序
计算机视觉与模式识别
2021-03-04 v1 图形学
人机交互
摘要
我们提出一种用强化学习训练的神经网络优化模型,以解决星形图集的坐标排序问题。给定一组关联多个类标签的星形图,我们建议使用形状上下文描述子来衡量图对之间的感知距离,并使用导出的轮廓系数来衡量整个集合内类可分离性的感知。为寻找给定集合的最优坐标顺序,我们训练一个神经网络利用强化学习对具有高轮廓系数的排序给予奖励。该网络由带注意力机制的编码器和解码器组成。编码器采用循环神经网络(RNN)编码输入形状和类信息,而解码器与注意力机制一起采用另一个RNN输出具有新坐标顺序的序列。此外,我们引入一个神经网络来高效估计形状上下文描述子之间的相似性,从而加速轮廓系数的计算及轴排序网络的训练。两项用户研究表明,用户更倾向于使用我们方法提供的顺序来感知类分离。我们在不同设置下测试了模型以展示其鲁棒性和泛化能力,并证明它可对具有未见数据大小、数据维度或类数的输入集进行排序。我们还证明,通过用相应的质量度量替换所提出的形状感知轮廓系数来指导网络训练,我们的模型可适用于RadViz等其他类型图的坐标排序。
引用
@article{arxiv.2103.02380,
title = {Shape-driven Coordinate Ordering for Star Glyph Sets via Reinforcement Learning},
author = {Ruizhen Hu and Bin Chen and Juzhan Xu and Oliver van Kaick and Oliver Deussen and Hui Huang},
journal= {arXiv preprint arXiv:2103.02380},
year = {2021}
}