《Modeling Color Difference for Visualization Design》，该论文是2017年的一篇最佳会议论文，对可视化中的色差进行建模，比较有创新性，作为图形学课程报告，由于我专业不是图形方向，对这个不太了解，一开始入手很难理解，花了几天啃出来的重要内容都在报告中说明了~

和弦PRO发布 是功能齐全的和弦可视化API，可产生漂亮的交互式可视化效果，例如Reddit主页上的特色。 产生漂亮的交互式和弦图。 自定义颜色和字体大小。 访问“分开”模式，使图的两侧都可用。 在悬停时添加图像和文本， 访问更高级的自定义设置，包括HTML注入。 无需开放源代码即可用于商业用途。 目前支持Python，JavaScript和Rust，还有更多（接受请求）。 变更日志： 2020年12月23日现在支持reverse_gradients 。 2020年12月2日现在具有[更好的支持]，可以使用conjunction参数对文本进行自定义。 2020年11月2

Grad-CAM-张量流 注意：CNN还有另一种很棒的可视化方法，称为 ，它仅涉及前向通过。 演示代码可用于Caffe和Tensorflow ResNet，Vgg。 请检查一下。 这是用于Grad-CAM的演示的tensorflow版本。 我使用ResNet-v1-101，ResNet-v1-50和vgg16进行演示，因为该模型是非常流行的CNN模型。 但是，grad-cam可以与其他任何CNN型号一起使用。 只需在我的演示代码中修改卷积层即可。 请参阅查看此存储库的演示。 要在此演示中使用VGG网络，必须下载VGG16 NPY的npy文件。 要使用ResNet-v1-50或ResNet-v1-101，请从下载权重 欢迎任何贡献 [原论文] Grad-CAM：梯度加权类激活映射 Ramprasaath R. Selvaraju，Abhishek Das，Ramakrishna V

参考博文：Unity 进阶 之 实现简单的音频可视化封装(包括音频和麦克风) https://blog.csdn.net/u014361280/article/details/120618168 实现原理 1、关键是获取 音频数据的 float[] 数据； 2、可以使用 AudioSource.GetSpectrumData() 获取； 3、也可以使用 AudioSource.clip.GetData() 获取（例如 Microphone 麦克风的 float[] 数据） 4、通过获取的 float[] 数据，动态赋值到物体上，进行可视化显示（这里是动态改变 Image 比例和颜色来动态演示）

适用于Apache ECharts的Google Map扩展 这是的Google Map扩展，用于显示可视化内容，例如 ， 和 。 例子 请参阅 安装 npm install echarts-extension-gmap --save 进口 导入打包的分发文件echarts-extension-gmap.min.js并添加Google Map API脚本和ECharts脚本。 <!-- import JavaScript API of Google Map, please replace the key with your own key --> < script src =" https:

KITTI对象数据转换和可视化 数据集 从Kitti下载数据（calib，image_2，label_2，velodyne），并将其放在kitti/object数据文件夹中 文件夹结构如下： kitti object testing calib 000000.txt image_2 000000.png label_2 000000.txt velodyne 000000.bin pred 000000.txt training calib

统计学国外经典教程，多维密度估计理论、实践、可视化，作者：David W.

iheatmapr iheatmapr是一个R软件包，用于使用模块化构建块构建复杂的交互式热图。 “复杂”热图是这样的热图，其中沿着主热图的行或列的子图添加有关每个行或列的更多信息。 例如，一列附加热图可以指示特定行或列属于哪个组。 复杂的热图可能还包括多个并排的热图，这些热图显示了在相同条件下的不同类型的数据。 交互性可以通过为工具提示提供有关每个单元格的信息并缩放到有趣的功能来改善复杂的热图。 iheatmapr使用库进行交互。 尽管已经有很多很棒的R软件包可以制作热图，包括几个很棒的软件包，可以制作相对简单的交互式热图（ 和 ）或复杂的静态热图（ ），但iheatmapr致力于ih

概述 基于高异质/均匀时间序列多传感器数据的实时异常检测的无监督特征选择和/或无监督深度卷积神经网络和lstm自动编码器的原型。 内置时间序列预测器的可解释AI原型。 无监督特征选择的直观表示如下所示。 无监督实时点异常检测的直观表示如下所示。 从当地的解释，全球理解与解释的AI树木-从这里动机- ，图片来源-https: MSDA 1.0.8 什么是MDSA？ MSDA是Python中的开源low-code多传感器数据分析库，旨在在时序多传感器数据分析和实验中将假设减少到洞察周期。 它使用户能够快速，高效地执行端到端的概念验证实验。 该模块通过捕获变化和趋势来建立多维时间序列中的事件，以建立旨在识别相关特征的关系，从而有助于从原始传感器信号中选择特征。 此外，为精确检测实时流数据中的异常，还设计了无监督的深度卷积神经网络以及基于lstm自动编码器的检测器，以在GPU / C

neo4jd3.js 使用图形可视化。 特征 与和兼容。 力模拟。 信息面板，显示悬停时的节点和关系信息。 双击回调。 自定义节点颜色（按节点类型）。 文本节点+图标节点+ SVG图像节点（例如，使用 ）。 粘滞节点（拖动以粘住，单击以松开）。 动态图更新（例如，双击一个节点以将其展开）。 突出显示init上的节点。 关系自动定向。 缩放，平移，自动调整。 与D3.js v4兼容。 跑步 首先，请确保您已安装了Ruby和无礼的宝石。 然后，克隆存储库，安装所有依赖项，构建并为项目提供服务。 > gem install sass > git clone https://github.com/eisman/neo4jd3.git > npm install > gulp 在您喜欢的浏览器中打开http://localhost:8080 。 文献资料 var neo4