[发明专利]一种基于深度学习的自动视觉编码方法

说明书

本发明提出了一种基于深度学习的自动视觉编码方法，能够得到泛化能力较强的视觉编码模型，帮助可视化设计者自动地、快速地完成数据到视觉元素的有效映射。本发明能够对绝大多数类型的数据的可视化图表进行提取并标注，从而全面，准确地形成视觉编码数据集，由于现有的可视化图表为专业可视化设计人员、具有专业领域知识人员设计的具有高度视觉效果的可视化方案，其中还蕴含着大量设计经验、丰富的专业知识、可视化规则，并且能够较全面地覆盖可视化边缘情况，因此，从现有的可视化图表中进行学习，能够提高后续模型建立的精确程度、泛化能力，扩展可视化覆盖范围。

技术领域

本发明涉及深度学习技术领域，具体涉及一种基于深度学习的自动视觉编码方法。

背景技术

可视化是利用人眼的感知能力对数据进行交互的可视表达以增强认知的技术。可视化包括人类过程，如感知和认知，以及计算机过程，如视觉编码。视觉编码是利用符合人类视觉感知的标记和视觉通道，遵循一定的变换和编码原则，将各类型的数据映射为可视化元素的技术。视觉编码首先需要考虑的是数据的语义和数据特征，遵循编码原则，充分利用已有的先验知识，从而降低人们对视觉编码图表的感知和认知所需要的时间。因此，视觉编码是数据可视化的基础理论与核心内容，其质量对于可视化的有效性至关重要。

自动视觉编码旨在通过自动设计并生成供分析师搜索和选择的可视化元素，以获得有效的可视化元素推荐，且此过程无人参与设计，不需要掌握视觉编码规则、数据处理与分析方法、编程方法、设计表达与美学知识、领域专业知识以及常用的可视化方法等，更不需要考虑感知效果和视觉风格，这大大降低了可视化的障碍，使得可视化得到了快速发展和普遍应用。

自动视觉编码通常是集成到可视化工具中，通过自动生成可视化图表来帮助用户发现、探索数据中隐含的有意义的内容，例如Tableau、Excel、Echarts等。现有的自动可视化工具可以分为三类，基于规则的、数据驱动的和两者混合的自动可视化工具。基于规则的自动可视化工具需要事先定义好大量的规则，这些规则可能是乏于更新的，或可能不足以覆盖生成良好可视化所必需的边缘情况，而且没有利用到现有视觉编码中的经验和专业知识。数据驱动的自动可视化方法需要从数据中提取特征并进行机器学习，这是一项困难的任务，而且没有标准，对机器学习模型的解释性差，没有说明机器学习模型对哪些可视化图形进行了学习与建模。与此同时，目前也没有统一标准的、较完善的视觉编码数据集用于视觉编码训练，每种方法的数据集形成方式各异。

发明内容

有鉴于此，本发明提出了一种基于深度学习的自动视觉编码方法，能够得到泛化能力较强的视觉编码模型，帮助可视化设计者自动地、快速地完成数据到视觉元素的有效映射。

为实现上述目的，本发明的一种基于深度学习的自动视觉编码方法，对基础类型数据的可视化图表进行解析，提取其中的视觉编码、标尺以及坐标系并进行标注，形成有监督的视觉编码数据集；

然后利用有监督的视觉编码数据集进行模型设计、模型训练以及模型验证；预测视觉编码，实现数据到视觉通道的映射。

其中，对基础类型数据的可视化图表进行解析的具体方式为：首先从网络中搜集各类基础数据的可视化图表作为学习的数据源，并将其进行分类，将数据分为四类：空间数据、时间数据、时空数据以及一般数据。

其中，从网络中搜集各类基础数据时，对数据类型进行控制。

其中，对于数据标注的具体方式为：首先，提取坐标系；其次，提取可视化图形的标尺即所编码数据的类型；提取图表中视觉通道所编码的数据的类型，作为此条记录的数据特征，然后提取坐标系中X轴和Y轴所编码的数据的类型，作为此条记录中X轴和Y轴的特征；最后，提取视觉编码所使用的视觉通道，作为此条数据的监督标记，由此，形成有监督的可视化数据集。

其中，所述坐标系包括直角坐标系、极坐标系和地理坐标系；所述标尺包括用于描述数据值的数值型标尺、用于描述数据分类情况的类别型标尺以及用于描述数据变化趋势的定序型标尺。