Working meeting "Visualization methods for uncertainty studies" - May, 22th 2017

Seminar organized between the GdR MASCOT-NUM and the GT Visualisation of the GdR IGRV

Seminar organized between the GdR MASCOT-NUM and the GT Visualisation of the GdR IGRV

Organizers: Bertrand Iooss (EDF R&D, GdR MASCOT-NUM) and Julien Tierny (CNRS/LIP6, GT Visualisation/GdR IGRV)

It will take place on:

May 22, 2017, at Amphithéâtre Hermite, Institut Henri Poincaré, Paris.

* Presentation of the workshop L'objectif de ce séminaire est de se faire rencontrer des membres des communautés "visualisation" et "incertitudes". Les exposés porteront sur des méthodes d'analyse d'incertitudes exploitant la visualisation, et des méthodes de visualisation (scientifique ou d'information) prenant en compte ou visant à analyser l'incertitude.

Agenda

Morning:

9h15 - Introduction - B. Iooss (EDF R&D) - slides
9h20 - Julien Tierny (CNRS/LIP6) - Topological analysis of data and uncertainty - slides
10h15 - Pause
10h35 - Michaël Aupetit (Qatar Computing Research Institute) - Reflections on Dimensionality Reduction for Visual Analytics: strengths, weaknesses and perspectives - slides
11h30 - Yann Richet (IRSN) - Visualisation of parametric scientific computing: Some interactive tools, theoretical frameworks, user experiences - slides
12h00 - Pause

Afternoon:

14h00 - Georges-Pierre Bonneau (INRIA Grenoble Rhône-Alpes) - Visual Perception for Visualization with an application to Uncertainty - Visualization - Perception Visuelle pour la Visualisation, avec une application en visualisation de données incertaines - slides
14h55 - Alejandro Ribes (EDF R&D) - Uncertainty functionalities in the ParaVis scientific visualization software
15h25 - Pause
15h45 - Isabelle Bloch (LTCI, Télécom ParisTech, Université Paris-Saclay) - Modeling and representation of spatial uncertainty in image processing and understanding - slides
16h40 - Christoph Kinkeldey (INRIA) - Guidelines to better support the use of uncertainty for geodata analysis and spatial decision making
17h10 - End

Abstracts

M. Aupetit - Reflections on Dimensionality Reduction for Visual Analytics: strengths, weaknesses and perspectives

Dimension reduction technique are used to visualize multidimensional data as scatterplots where points proximities match at best data dissimilarities. These techniques generate distortions of the data dissimilarities that may lead to erroneous inference of patterns in the data based on their visualization. I will present different techniques that display, correct or even take advantage of these uncertainties in multidimensional data analysis.

I. Bloch - Modeling and representation of spatial uncertainty in image processing and understanding

In this presentation, we will summarize some sources of uncertainty (in a broad sense, including imprecision) in images and related knowledge. We will then show how spatial imprecision can be modeled and represented using fuzzy sets.
Models are of prime importance to guide the analysis and understanding of images. They can represent knowledge about acquisition geometry, noise statistics, object shape and appearance, etc. Structural models are also very useful to represent the spatial arrangement of structures, and the presentation will mostly focus on such models. Their use in spatial reasoning schemes allows for instance driving segmentation and recognition of structures in images. One important problem is related to the semantic gap. We will show that it can be addressed by generating spatial representations (in the image space) of relations expressed in linguistic or symbolic form, within a fuzzy sets formalism.
This paradigm will be illustrated on various applications, in particular in medical imaging.

G-P. Bonneau - Visual Perception for Visualization with an application to Uncertainty Visualization - Perception Visuelle pour la Visualisation, avec une application en visualisation de données incertaines

Dans un contexte de croissance exponentielle des données accessibles par l'acquisition ou la simulation, la Visualisation scientifique s'est imposée comme une technique indispensable et incontournable d'analyse et de post-process. Comment détecter les corrélations, les comportements extraordinaires, les caractéristiques salientes dans les masses de données accessibles? Notre cerveau, par notre canal visuel, est habitué à résoudre de manière routinière de tels problèmes. Bombardés de photons, notre système visuel les analyse et en déduit une reconstruction mentale du monde physique nous environnant, dans lequel chaque entité est reliée à nos connaissances antérieures. Dans cet exposé nous commençons par passer en revue des éléments de perception visuelle. Nous présentons ensuite plusieurs travaux de recherche en visualisation scientifique dans lesquels la perception visuelle joue un rôle central. Parmi ces travaux, nous détaillons une méthode de visualisation de données scalaires incertaines basée sur la perturbation de cartes de couleur par un bruit procédural.

C. Kinkeldey (INRIA) - Guidelines to better support the use of uncertainty for geodata analysis and spatial decision making

Uncertainty is inherent to all kinds of geographic data because of the uncertain nature of the phenomena they describe (e.g., temperature rise due to climate change), of the models they are based upon (e.g., global climate models), and of measurement methodology (e.g., surveying or remote sensing). After decades of geodata uncertainty research there is no doubt that for many tasks and applications, users need to be informed about the types and amounts of uncertainty in the data that they analyze or make decisions with.
Visualization can be a powerful means to communicate information about uncertainty in data. At the same time there is evidence that users try to avoid uncertainty and can easily be overwhelmed by working with imprecise or fuzzy representations of data. Therefore, it is important to not only communicate uncertainty to users but also to provide them with guidelines for working with uncertain data. Despite the importance of the topic, currently, few guidelines exist for incorporating uncertainty into analysis and decision making.
In this talk, the speaker will examine the need for guidelines for using uncertain data, present ideas for developing them in the context of different tasks, users, or applications, and explore the challenges that remain for their development.

Alejandro Ribes (EDF R&D) - Uncertainty functionalities in the ParaVis scientific visualization software

ParaView is currently one of the most popular choices among scientific visualisation software. It is also open source and runs in parallel on supercomputers. Until recently, this software did not support visual analytics capabilities or quantitative analysis and EDF R&D funded their development. In this talk, the new functionalities that allow ParaView to deal with uncertainty will be presented and illustrated.

Yann Richet (IRSN) - Visualisation of parametric scientific computing: Some interactive tools, theoretical frameworks, user experiences

IRSN is deeply concerned about fast and efficient understanding of complex phenomena. Whether for the prevention, anticipation or mitigation of nuclear accidents, safety experts must be able to analyze a complex situation whose parameters are unknown or uncertain. Moreover, during a crisis management, the decision takers are awaiting relevant informations, without prerequisite for strong scientific knowledge. We present empirical considerations resulting from the operational feedback for preventing and mitigating accidents involving neutron physics.

J. Tierny - Analyse topologique de données et incertitude

La visualisation scientifique est un domaine qui vise à aider les utilisateurs à (i) représenter, (ii) explorer et (iii) analyser des données géométriques acquises ou simulées, à des fins d'interprétation, de validation ou de communication. Parmi les techniques existantes, les algorithmes d'analyse topologique ont démontré leur utilité dans ce contexte pour l'extraction efficace et robuste de structures d'intérêts, et ce à plusieurs échelles d'importance. Dans cette présentation, je donnerai un bref tutoriel sur l'analyse topologique de champs scalaires, en introduisant quelques concepts clés comme celui de graphe de Reeb, de complexe de Morse-Smale ou de diagramme de persistance. Par ailleurs, j'illustrerai ces notions par des cas d'applications concrets en astrophysique, chimie moléculaire ou encore en combustion.
Ensuite, je présenterai certaines problématiques ayant récemment émergé avec le développement des ressources de calcul haute-performance, qui permettent aujourd'hui la conduite d'études paramétriques en simulation. Dans ce contexte, une même simulation est relancée à de multiples reprises pour comprendre l'impact des paramètres d'entrée. Dès lors, chaque simulation peut être interprétée comme l'observation d'un processus aléatoire, générant des champs scalaires incertains. Je présenterai donc de nouvelles directions de recherche pour l'analyse topologique de champs scalaires incertains, étayées par des résultats préliminaires récents.