多様体学習を用いた近似contour treeプロット

• Item type: SIG Technical Reports(1)
• 公開日: 2008-08-15
• タイトル: 多様体学習を用いた近似contour treeプロット
• タイトル / 言語: en
• タイトル: Plotting Approximate Contour Trees Using Manifold Learning
• 言語: jpn
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 東京大学大学院情報理工学系研究科
• 著者所属: 東京大学大学院新領域創成科学研究科
• 著者所属: 東北大学流体科学研究所
• 著者所属: 東京大学大学院新領域創成科学研究科
• 著者所属(英): en
• 著者所属(英): Graduate School of Information Science and Technology, The University of Tokyo
• 著者所属(英): en
• 著者所属(英): Graduate School of Frontier Sciences, The University of Tokyo
• 著者所属(英): en
• 著者所属(英): Institute of Fluid Science, Tohoku University
• 著者所属(英): en
• 著者所属(英): Graduate School of Frontier Sciences, The University of Tokyo
• 著者名: 小林, 潤; 高橋, 成雄; 藤代, 一成; 岡田, 真人
• 著者名(英): Jun, Kobayashi; Shigeo, Takahashi; Issei, Fujishiro; Masato, Okada
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: contour tree は，一価関数により表現されるフィールド内の等値面の位相変化を効果的に表現できるため，ボリュームやその時系列データの特徴を抽出する手段としてよく用いられてきている．しかしながら，既存手法ではサンプルデータを補間するために，データの定義域を単体で分割する必要があり，結果として時系列ボリュームデータのような高次元データにおいては，補間処理の実装が複雑化してしまう問題点があった．本報告では，多様体学習 (manifold learning) を用いて このような高次元データから，簡単かつ効果的な contour tree の近似表現を，補間処理を用いずに構築する手法を提案する．本手法の基本原理は，高次元データの局所的な接続性を頼りにデータの分布を追跡し，それを低次元空間に埋め込む次元圧縮をする点にある．本手法の有効性を示すために 構築したcontour tree を介したボリュームデータやその時系列データの特徴解析の事例についても示していく．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: A contour tree is a powerful tool for delineating the topological evolution of isosurfaces of a singlevalued function, and thus frequently used as a means of extracting features from volumes and their time-varying behaviors. However, existing algorithms for constructing such contour trees need simplicial decomposition of the data domain, which result in intricate software implementation to introduce appropriate interpolation over sampled values especially for higher dimensional cases such as time-varying volumes. This report presents a simple yet effective approach to plotting approximate contour trees of high-dimensional data in 3D space without any interpolation of its sampled values. Our main idea is to take advantage of a manifold learning technique so that we can elongate the distribution of high-dimensional data samples to embed it into a lowdimensional space while respecting its local connectivity. Examples are provided to demonstrate that our dimensionality reduction scheme is powerful enough to analyze the feature of volumes and their temporal behaviors through constructed trees.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN10100541
• 書誌情報: 情報処理学会研究報告グラフィクスとCAD（CG）; 巻 2008, 号 80(2008-CG-132), p. 67-72, 発行日 2008-08-15
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会