liu.seSök publikationer i DiVA
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Towards Benchmark Data Generation for Feature Tracking in Scalar Fields
Linköpings universitet, Institutionen för teknik och naturvetenskap, Medie- och Informationsteknik. Linköpings universitet, Tekniska fakulteten.
TU Kaiserslautern, Germany.
Linköpings universitet, Institutionen för teknik och naturvetenskap, Medie- och Informationsteknik. Linköpings universitet, Tekniska fakulteten.ORCID-id: 0000-0001-5352-1086
TU Kaiserslautern, Germany.
Visa övriga samt affilieringar
2022 (Engelska)Ingår i: 2022 IEEE WORKSHOP ON TOPOLOGICAL DATA ANALYSIS AND VISUALIZATION (TOPOINVIS 2022), IEEE , 2022, s. 103-112Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

We describe a benchmark data generator for tracking methods for two- and three-dimensional time-dependent scalar fields. More and more topology-based tracking methods are presented in the visualization community, but the validation and evaluation of the tracking results are currently limited to qualitative visual approaches. We present a pipeline for creating different ground truth features that support evaluating tracking methods based on quantitative measures. In short, our approach randomly simulates a temporal point cloud with birth, death, split, merge, and continuation events, where the points are then used to derive a scalar field whose topological features correspond to the points. These scalar fields can be used as the input for different tracking methods, where the computed tracks can be compared against the ground truth feature evolution. This approach facilitates directly comparing the results of different tracking methods, independent of the initial feature characterization.

Ort, förlag, år, upplaga, sidor
IEEE , 2022. s. 103-112
Nyckelord [en]
Human-centered computing; Visualization; Visualization design and evaluation methods; Human-centered computing; Visualization; Visualization application domains; Scientific visualization
Nationell ämneskategori
Datorseende och robotik (autonoma system)
Identifikatorer
URN: urn:nbn:se:liu:diva-191882DOI: 10.1109/TopoInVis57755.2022.00017ISI: 000913326500011ISBN: 9781665493543 (digital)ISBN: 9781665493550 (tryckt)OAI: oai:DiVA.org:liu-191882DiVA, id: diva2:1738720
Konferens
IEEE VIS Workshop on Topological Data Analysis and Visualization (TopoInVis), Oklahoma City, OK, oct 17, 2022
Anmärkning

Funding Agencies|SeRC (Swedish e-Science Research Center); ELLIIT environment for strategic research in Sweden; Swedish Research Council (VR) [2019-05487]

Tillgänglig från: 2023-02-22 Skapad: 2023-02-22 Senast uppdaterad: 2023-06-09

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

Förlagets fulltext

Person

Nilsson, EmmaMasood, Talha BinHotz, Ingrid

Sök vidare i DiVA

Av författaren/redaktören
Nilsson, EmmaMasood, Talha BinHotz, Ingrid
Av organisationen
Medie- och InformationsteknikTekniska fakulteten
Datorseende och robotik (autonoma system)

Sök vidare utanför DiVA

GoogleGoogle Scholar

doi
isbn
urn-nbn

Altmetricpoäng

doi
isbn
urn-nbn
Totalt: 353 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf