实时『人手-物体』姿态估计算法 HOPE-Net

CVPR 2020 的论文《HOPE-Net: A Graph-based Model for Hand-Object Pose Estimation》,基于自适应图卷积技术,作者提出了一种称之为 HOPE-Net 的『人手 – 物体』姿势估计模型,在这个问题上不仅计算结果精度更高、速度也更快,GPU 上达到实时!

HOPE-Net: A Graph-based Model for Hand-Object Pose Estimation
HOPE-Net: A Graph-based Model for Hand-Object Pose Estimation

GitHub地址项目 GitHub 地址

UC 圣地亚哥大学开源新冠肺炎 CT 数据集

截至 2020 年 3 月 30 日,在全世界范围内已有 775,306 人感染新冠肺炎,37,083 人死亡。对此疾病检测的低效和缺乏成为控制其传播的主要障碍。目前的检测主要基于逆转录聚合酶链反应(RT-PCR),需要 4 到 6 个小时才能获得结果。与新冠肺炎可怕的传播速度相比,这远不够快。除了效率低下之外,RT-PCR 检测试剂盒也非常短缺。

这促使研究团队去研究替代的检测方式。这些方式可能更快,比 RT-PCR 便宜,更容易获得,但与 RT-PCR 一样准确。在众多可能性中,研究团队对 CT 图像尤其感兴趣。有几篇著作研究了 CT 图像在筛选和检测新冠肺炎时的效果,结果鼓舞人心。然而,出于对隐私的保护,这些研究中所使用的 CT 图像并不会公之于众,这极大地阻碍了基于 CT 图像的精准检测新冠肺炎先进人工智能方法的研发。

为了解决这个问题,研究团队构建了一个 COVID-CT 数据集,其中包含 275 个新冠肺炎检测呈阳性的 CT 图像,并向公众开放,以助于基于 CT 图像的新冠肺炎检测的研发。

研究团队从 760 个关于新冠肺炎的 medRxiv 和 bioRxiv 预印本中提取了 CT 图像,并通过阅读这些图像的标题人工筛选出具有新冠肺炎临床病症的图像。基于 183 个新冠肺炎 CT 图像和 146 个非新冠肺炎 CT 图像,研究团队训练了一个深度学习模型,以预测一个 CT 图像是否呈新冠肺炎阳性。

在 35 个新冠肺炎 CT 图像和 34 个非新冠肺炎 CT 图像上进行了测试,研究团队的模型 F1 值为 0.85。结果表明,CT 扫描有望用于筛选和检测新冠肺炎,然而还需要更先进的方法来进一步提高准确性。

GitHub地址项目 GitHub 地址

基于 NumPy 的 30 多个机器学习算法开源代码

NumPy 手写所有主流 ML 模型,普林斯顿博士后 David Bourgin 最近开源了一个非常剽悍的项目。超过 3 万行代码、30 多个模型,这也许能打造「最强」的机器学习基石。NumPy 作为 Python 生态中最受欢迎的科学计算包,很多读者已经非常熟悉它了。它为 Python 提供高效率的多维数组计算,并提供了一系列高等数学函数,我们可以快速搭建模型的整个计算流程。

尽管目前使用 写模型已经不是主流,但这种方式依然不失为是理解底层架构和深度学习原理的好方法。最近,来自普林斯顿的一位博士后将 NumPy 实现的所有机器学习模型全部开源,并提供了相应的论文和一些实现的测试效果。

GitHub地址项目 GitHub 地址

机器人的 5 种定位技术

随着传感技术、智能技术和计算技术等的不断提高,智能移动机器人一定能够在生产和生活中扮演人的角色。那么移动机器人定位技术主要涉及到哪些呢?经总结目前移动机器人主要有这 5 大定位技术。

移动机器人超声波导航定位技术

超声波导航定位的工作原理也与激光和红外类似,通常是由超声波传感器的发射探头发射出超声波,超声波在介质中遇到障碍物而返回到接收装置。

通过接收自身发射的超声波反射信号,根据超声波发出及回波接收时间差及传播速度,计算出传播距离S,就能得到障碍物到机器人的距离,即有公式:S = Tv / 2 式中,T:超声波发射和接收的时间差;v:超声波在介质中传播的波速。

当然,也有不少移动机器人导航定位技术中用到的是分开的发射和接收装置,在环境地图中布置多个接收装置,而在移动机器人上安装发射探头。

在移动机器人的导航定位中,因为超声波传感器自身的缺陷,如:镜面反射、有限的波束角等,给充分获得周边环境信息造成了困难,因此,通常采用多传感器组成的超声波传感系统,建立相应的环境模型,通过串行通信把传感器采集到的信息传递给移动机器人的控制系统,控制系统再根据采集的信号和建立的数学模型采取一定的算法进行对应数据处理便可以得到机器人的位置环境信息。

由于超声波传感器具有成本低廉、采集信息速率快、距离分辨率高等优点,长期以来被广泛地应用到移动机器人的导航定位中。而且它采集环境信息时不需要复杂的图像配备技术,因此测距速度快、实时性好。

同时,超声波传感器也不易受到如天气条件、环境光照及障碍物阴影、表面粗糙度等外界环境条件的影响。超声波进行导航定位已经被广泛应用到各种移动机器人的感知系统中。

移动机器人视觉导航定位技术

在视觉导航定位系统中,目前国内外应用较多的是基于局部视觉的在机器人中安装车载摄像机的导航方式。在这种导航方式中,控制设备和传感装置装载在机器人车体上,图像识别、路径规划等高层决策都由车载控制计算机完成。

视觉导航定位系统主要包括:摄像机(或 CCD 图像传感器)、视频信号数字化设备、基于 DSP 的快速信号处理器、计算机及其外设等。现在有很多机器人系统采用 CCD 图像传感器,其基本元件是一行硅成像元素,在一个衬底上配置光敏元件和电荷转移器件,通过电荷的依次转移,将多个像素的视频信号分时、顺序地取出来,如面阵 CCD 传感器采集的图像的分辨率可以从 32×32 到 1024×1024 像素等。

视觉导航定位系统的工作原理简单说来就是对机器人周边的环境进行光学处理,先用摄像头进行图像信息采集,将采集的信息进行压缩,然后将它反馈到一个由神经网络和统计学方法构成的学习子系统,再由学习子系统将采集到的图像信息和机器人的实际位置联系起来,完成机器人的自主导航定位功能。

GPS 全球定位系统

如今,在智能机器人的导航定位技术应用中,一般采用伪距差分动态定位法,用基准接收机和动态接收机共同观测 4 颗 GPS 卫星,按照一定的算法即可求出某时某刻机器人的三维位置坐标。差分动态定位消除了星钟误差,对于在距离基准站 1000 km 的用户,可以消除星钟误差和对流层引起的误差,因而可以显着提高动态定位精度。

但是因为在移动导航中,移动 GPS 接收机定位精度受到卫星信号状况和道路环境的影响,同时还受到时钟误差、传播误差、接收机噪声等诸多因素的影响,因此,单纯利用 GPS 导航存在定位精度比较低、可靠性不高的问题,所以在机器人的导航应用中通常还辅以磁罗盘、光码盘和 GPS 的数据进行导航。另外,GPS 导航系统也不适应用在室内或者水下机器人的导航中以及对于位置精度要求较高的机器人系统。

移动机器人光反射导航定位技术

典型的光反射导航定位方法主要是利用激光或红外传感器来测距。激光和红外都是利用光反射技术来进行导航定位的。

激光全局定位系统一般由激光器旋转机构、反射镜、光电接收装置和数据采集与传输装置等部分组成。

工作时,激光经过旋转镜面机构向外发射,当扫描到由后向反射器构成的合作路标时,反射光经光电接收器件处理作为检测信号,启动数据采集程序读取旋转机构的码盘数据(目标的测量角度值),然后通过通讯传递到上位机进行数据处理,根据已知路标的位置和检测到的信息,就可以计算出传感器当前在路标坐标系下的位置和方向,从而达到进一步导航定位的目的。

激光测距具有光束窄、平行性好、散射小、测距方向分辨率高等优点,但同时它也受环境因素干扰比较大,因此采用激光测距时怎样对采集的信号进行去噪等也是一个比较大的难题,另外激光测距也存在盲区,所以光靠激光进行导航定位实现起来比较困难,在工业应用中,一般还是在特定范围内的工业现场检测,如检测管道裂缝等场合应用较多。

红外传感技术经常被用在多关节机器人避障系统中,用来构成大面积机器人『敏感皮肤』,覆盖在机器人手臂表面,可以检测机器人手臂运行过程中遇到的各种物体。

典型的红外传感器包括一个可以发射红外光的固态发光二极管和一个用作接收器的固态光敏二极管。由红外发光管发射经过调制的信号,红外光敏管接收目标物反射的红外调制信号,环境红外光干扰的消除由信号调制和专用红外滤光片保证。设输出信号 Vo 代表反射光强度的电压输出,则 Vo 是探头至工件间距离的函数:Vo=f(x,p)式中,p:工件反射系数。p与目标物表面颜色、粗糙度有关。x:探头至工件间距离。

当工件为 p 值一致的同类目标物时,x 和 Vo 一一对应。x 可通过对各种目标物的接近测量实验数据进行插值得到。这样通过红外传感器就可以测出机器人距离目标物体的位置,进而通过其他的信息处理方法也就可以对移动机器人进行导航定位。

虽然红外传感定位同样具有灵敏度高、结构简单、成本低等优点,但因为它们角度分辨率高,而距离分辨率低,因此在移动机器人中,常用作接近觉传感器,探测临近或突发运动障碍,便于机器人紧急停障。

SLAM 技术

行业领先的服务机器人企业,大多都采用了 SLAM 技术。到底什么是 SLAM 技术呢?简单来说,SLAM 技术是指机器人在未知环境中,完成定位、建图、路径规划的整套流程。

SLAM(Simultaneous Localization and Mapping,即时定位与地图构建),自 1988 年被提出以来,主要用于研究机器人移动的智能化。对于完全未知的室内环境,配备激光雷达等核心传感器后,SLAM 技术可以帮助机器人构建室内环境地图,助力机器人的自主行走。

SLAM 问题可以描述为:机器人在未知环境中从一个未知位置开始移动,在移动过程中根据位置估计和传感器数据进行自身定位,同时建造增量式地图。SLAM 技术的实现途径主要包括 VSLAM、Wifi-SLAM 与 Lidar SLAM。

  • VSLAM(视觉 SLAM):指在室内环境下,用摄像机、Kinect 等深度相机来做导航和探索。其工作原 理简单来说就是对机器人周边的环境进行光学处理,先用摄像头进行图像信息采集,将采集的信息进行压缩,然后将它反馈到一个由神经网络和统计学方法构成的学习子系统,再由学习子系统将采集到的图像信息和机器人的实际位置联系起来,完成机器人的自主导航定位功能。但是,室内的 VSLAM 仍处于研究阶段,远未到实际应用的程度。一方面,计算量太大,对机器人系统的性能要求较高;另一方面,VSLAM 生成的地图(多数是点云)还不能用来做机器人的路径规划,需要进一步探索和研究。
  • Wifi-SLAM:指利用智能手机中的多种传感设备进行定位,包括 Wifi、GPS、陀螺仪、加 速计和磁力计,并通过机器学习和模式识别等算法将获得的数据绘制出准确的室内地图。该技术的提供商已于 2013 年被苹果公司收购,苹果公司是否已经把 Wifi-SLAM 的科技用到 iPhone 上,使所有  iPhone 用户相当于携带了一个绘图小机器人,这一切暂未可知。毋庸置疑的是,更精准的定位不仅有利于地图,它会让所有依赖地理位置的应用(LBS) 更加精准。
  • Lidar SLAM:指利用激光雷达作为传感器,获取地图数据,使机器人实现同步定位与地图构建。就技术本身而言,经过多年验证,已相当成熟,但 Lidar 成本昂贵这一瓶颈问题亟待解决。Google 无人驾驶汽车正是采用该项技术,车顶安装的激光雷达来自美国 Velodyne 公司,售价高达 7 万美元以上。这款激光雷达可以在高速旋转时向周围发射 64 束激光,激光碰到周围物体并返回,便可计算出车体与周边物体的距离。计算机系统再根据这些数据描绘出精细的 3D 地形图,然后与高分辨率地图相结合,生成不同的数据模型供车载计算机系统使用。激光雷达占去了整车成本的一半,这可能也是 Google 无人车迟迟无法量产的原因之一。

DeepLesion:最大开源临床医疗图像数据集

NIH 临床中心最新公布了一个迄今规模最大的多类别、病灶级别标注临床医疗 CT 图像开放数据集 DeepLesion,研究人员在此基础上训练深度神经网络,创建了一个具有统一框架的大规模通用病灶检测器,能够更准确、更自动地衡量患者体内所有病灶的大小,实现全身范围的癌症初步评估。数据集包含:

  • 4,427 名独立的匿名患者
  • 10,594 次 CT 扫描(平均每位患者有 3 次随访)
  • 32,735 个带标记的病灶实例
  • 一共 928,020 张 CT 横切图像(512×512 分辨率)

上海交通大学《2019 中国人工智能医疗白皮书》发布

AI 读片快准稳,微缩机器人“助手”深入人体直捣病灶——人工智能与医疗领域的结合,会不会将更多疾病预防在前,或者让普通人看病更容易?日前,上海交通大学人工智能研究院联合上海市卫生和健康发展研究中心、上海交通大学医学院发布了《人工智能医疗白皮书》 。该白皮书包含人工智能医疗发展历史、政策分析、行业现状、面临的挑战及趋势分析四大部分,全面分析了世界主要国家人工智能医疗研究的热门领域、面临的主要挑战和未来发展趋势,为我国人工智能医疗行业的政策制定、学术发展、投资策略、产品应用等提供了智力支持和政策依据。

近年来,在国家政策的支持与驱动下,在互联网、大数据、人工智能等前沿技术的支撑下,我国智慧医疗进入飞速发展时期。国家新一代人工智能、脑科学与类脑研究重大专项逐步启动实施,智慧医疗科技研究与产业发展步入新的阶段。

2018 年 1 月,上海交通大学人工智能研究院揭牌成立,医疗健康是其优先发展方向之一。上海交通大学人工智能研究院常务副院长杨小康表示,“上海交大具有十多年医工交叉合作基础,医学院和 13 家附属医院对人工智能技术应用的普遍需求、转化医学国家重大科技基础设施的建设应用等,为智慧医疗的建设发展奠定了坚实的基础。”

据介绍,这是上海交通大学人工智能研究院发布的首份人工智能医疗白皮书,也是目前行业内该领域最新最全的白皮书报告。该白皮书全面分析了人工智能在医学影像、辅助诊断、药物研发、健康管理、疾病预测这五大医疗主要应用领域的痛点、发展优势、应用场景、行业现状、商业模式,并对目前我国人工智能医疗领域面临的挑战进行了分析,对行业未来发展趋势进行分析,提出了发展建议。

2020 年中国智能物联网(AIoT)研究报告

近日,艾瑞咨询发布了《2020 年中国智能物联网(AIoT)研究报告》。

智能物联网(AIoT)是 2018 年兴起的概念,指系统通过各种信息传感器实时采集各类信息(一般是在监控、互动、连接情境下的),在终端设备、边缘域或云中心通过机器学习对数据进行智能化分析,包括定位、比对、预测、调度等。

预计 2025 年我国物联网连接数近 200 亿个,万物唤醒、海量连接将推动各行各业走上智能道路。2019 年,受益于城市端 AIoT 业务的规模化落地及边缘计算的初步普及,中国 AIoT 市场规模突破 3000 亿大关直指 4000 亿量级,由于 AIoT 在落地过程中需要重构传统产业价值链,未来几年发展节奏较为稳定。

当前 AIoT 技术和商业快速落地,然而,认知智能层面的发展仍然较慢,行业标准与规范化不足,大规模物联网设备的安全问题也有待重视。

在物联网和人工智能时代,消费领域和产业领域都面临新机遇,这一机遇窗口期内,用户触达能力和内容服务生态聚合能力是最重要的资源,具备明星产品+自有操作系统产品的企业更易突围,成长为 AIoT 时代的所在场景服务的核心者。

德勤 2019年《全球人工智能发展白皮书》

德勤科技、传媒和电信行业联合推出《全球人工智能发展白皮书》。《全球人工智能发展白皮书》深入研究新一代人工智能技术步入商业化阶段后,在全球各主要城市的创新融合应用概况,以及其将对金融、教育、数字政务、医疗、无人驾驶、零售、制造业、智慧城市等各行业带来的深刻变革。

新型冠状病毒肺炎 (COVID-19) 数据集汇总

『山川异域,风月同天』—— 新冠肺炎疫情牵动着举国上下的心,包括跨象乘云™ 在内,众多高科技企业除了向灾区捐赠物资,配合疫情防控工作,延期复工 / 远程办公的同时,也在积极探索如何利用大数据、新一代人工智能等新技术为『战疫』助力。

此前,跨象乘云™ 发布了多份新型冠状病毒肺炎(COVID-19)相关的数据集。随着关于新型冠状病毒病毒疫情的不断发展,有关疫情的各类信息和数据也在不断更新。结合日前『图灵公众号』(微信公众号:TOPIA)整理的新冠数据集,在这里作一个阶段性汇总。

  1. 微软、白宫发布的 COVID-19 开放研究数据集(COVID-19 Open Research Dataset Challenge (CORD-19)):为了应对 COVID-19 大流行,白宫和一个主要研究小组联盟准备了 COVID-19 公开研究数据集(CORD-19)。CORD-19 是一个拥有超过 44,000 篇学术文章的资源,包括 29,000 篇关于 COVID-19、SARS-CoV-2 和相关冠状病毒的全文。这个免费的数据集提供给全球研究界,以应用自然语言处理和其他人工智能技术的最新进展,产生新的见解,支持正在进行的对抗这种传染病的斗争。由于新冠状病毒文献的快速增加,使得医学研究社区难以跟上,因此这些方法的紧迫性日益增加。总数据量超过 4 GB。
  2. 武汉新冠肺炎时间线(wuhan2020-timeline):时间线梳理以官媒信息为经,以民营媒体、自媒体为纬,以事系日,着力关注疫情扩散与舆论场域,力图呈现武汉新冠肺炎始末。(Academic2019-nCoV项目自 1 月 28 日每天发布关于海外疫情的详尽信息,与本项目互补。)
  3. 新型冠状病毒肺炎特征分析数据:中国疾病预防控制中心发布迄今最大规模的新冠肺炎流行病学特征分析,其原始数据(COVID-19 特征总表)来自截至 2020 年 2 月 11 日中国内地报告的超过 7 万病例。
  4. 胸部放射影像数据集:CheXpert:该数据集包含来自 65,240 个病人的 224,316 张胸部放射影像,这些影像中标注了 14 种常见的胸部放射影像观察结果。作者设计了一个标注工具,它能够从放射报告文本中提取观察结果并使用不确定性标签捕捉报告中存在的不确定性。
  5. 韩国 COVID-19 新冠肺炎胸片图像数据集(COVID-19 image data collection):2019 年的新型冠状病毒(COVID-19)呈现出几个独特的特征。虽然诊断是通过聚合酶链反应(PCR)确诊的,但感染肺炎的患者可能出现在胸部 X 线和计算机断层扫描(CT)图像上,其模式仅为人眼 Ng 的中度特征,2020年。COVID-19 的传播率取决于我们以低假阴性率可靠地识别受感染患者的能力。此外,低误报率是必要的,以避免进一步增加医疗系统的负担,不必要地让病人接受隔离,如果不需要隔离的话。除了适当的感染控制外,很明显,及时发现疾病将使受 COVID-19 影响的患者能够实施所需的所有支持性护理。我们的目标是利用这些图像来开发基于人工智能的方法来预测和理解感染。我们的团队将使用开源的 Chester AI Radiology Assistant 平台来发布这些模型,该平台的设计是通过在本地执行计算来满足全球需求。
  6. 韩国新型冠状病毒肺炎病例数据集(Data Science for COVID-19 (DS4C)):该数据集此前曾在跨象乘云™ 发布,目前已更新 ——COVID-19 在韩国已经感染了 8,000 多人。韩国疾病预防控制中心(KCDC)迅速、透明地公布了 COVID-19 的信息。基于 KCDC 和地方政府的报告材料,我们构建了一个结构化的数据集。此外,我们还使用各种数据挖掘或可视化技术分析和可视化数据。
  7. 新冠病毒时序数据集(Novel Corona virus – COVID19):这种新型冠状病毒已经在世界范围内产生了影响。它影响了来自不同国家的人。该数据集提供了一个时间序列数据,跟踪受该病毒影响的人数、该病毒造成的死亡人数以及已报告的康复人数。更新源自跨象乘云™ 此前发布的:2019 Novel Coronavirus COVID-19 (2019-nCoV) Data Repository by Johns Hopkins CSSE
  8. 英国的冠状病毒追踪器(COVID-19: track coronavirus cases):仪表板显示英国报告的冠状病毒病例,包括新病例,英格兰上级地方当局的病例以及死亡人数。可下载数据包括:日常指标每日确诊病例数NHS 英格兰地区病例表UTLA 病例表
  9. 各国名人感染名单(Celebrities with Corona)。
  10. 跟踪 COVID-19(Coronavirus COVID-19 Global Cases by the Center for Systems Science and Engineering (CSSE) at Johns Hopkins University (JHU)):跟踪 COVID-19 在交互式仪表板上实时传播,并提供可供下载的数据。
  11. Coronanalytics:冠状病毒每日分析 —— 这个简单的网站,可以看到大家都在谈论的曲线。媒体只提供今天的数字,所有的图表显示的是累计总数,而不是每天的案件。通过观察每天病例的增长或减缓,更容易看出趋势并了解指数增长是否正在发生。这个网站使用了来自2019 Novel Coronavirus COVID-19 (2019-nCoV) Data Repository by Johns Hopkins CSSE 的数据,这些数据随后被处理以显示每天的新病例,而不是累积总数。他们在协调世界时晚上 11:59 更新它,所以它不一定有今天的数据,有时今天的数据会显示为零(遗憾的是,这并不一定意味着这个国家没有病例!)
  12. 新冠肺炎开放知识图谱数据集:由 OpenKG 联合国内多家科研机构合作发布。跨象乘云™ 此前一直在密集跟踪并更新(1, 2, 3)。
  13. 新型冠状病毒时间表(Tracking coronavirus: Map, data and timeline):全球冠状病毒(2019-nCoV,正式称为SARS-CoV-2或COVID-19)的地图,数据和时间表。
  14. 新型冠状病毒研究资源(COVID-19 Open Research Dataset (CORD-19)):COVID-19 大流行,艾伦人工智能研究所已与领先的研究小组准备和分发 COVID-19 开放研究数据集(CORD-19),免费资源超过 44,000 学术文章,包括超过 29,000 全文,COVID-19 和冠状病毒的病毒家族使用的全球研究社区。该数据集旨在动员研究人员应用自然语言处理的最新进展,以产生新的见解,支持与这种传染病的斗争。随着新的研究成果发表在同行评审的出版物和 bioRxiv、medRxiv 等档案服务上,语料库将每周更新一次。
  15. 新型冠状病毒 News Hub(CORONAVIRUS: THE HUB):来自世界上最可信赖的来源的 COVID-19 新闻,分析和最佳实践的集合。
  16. 新型冠状病毒经济影响指数(COVID 19 – economic effects):新型冠状病毒对 GDP 的影响。
  17. 新型冠状病毒仪表板(nCoV2019.live):实时冠状病毒仪表板跟踪器。查看数据,地图,社交媒体趋势,并了解预防措施。
  18. 2019 新型冠状病毒数据(2019 Wuhan Coronavirus data (COVID-19 / 2019-nCoV)):该公共存储库会随着时间的推移从网络上的各种公共来源存档数据。
  19. 新型冠状病毒追踪器(Coronavirus Tracker):最快的实时服务,可跟踪武汉病毒,它提供实时数据以及 COVID-19 冠状病毒的全球冠状病毒新闻报道更新。
  20. 日冕地图:日冕病毒大流行在空间和时间上的映射。

用 Jupyter Notebook 制作新冠病毒疫情追踪器

『山川异域,风月同天』—— 新冠肺炎疫情牵动着举国上下的心,包括跨象乘云™ 在内,众多高科技企业除了向灾区捐赠物资,配合疫情防控工作,延期复工 / 远程办公的同时,也在积极探索如何利用大数据、新一代人工智能等新技术为『战疫』助力。

新冠肺炎已在全球范围内爆发。为了解全球疫情分布情况,日前,一位名叫 Michael Freeborn 的医生 / 程序员,利用 Python 的图形库 Plotly,制作了两种疫情的等值线地图(Choropleth Chart)和 GEO 分布散点图(”Scatter-Geo” Chart)。前者显示了一个国家 / 地区的疫情扩散情况:该国家 / 地区的在地图上的颜色越深,其确诊案例越多。其中的播放键可以为图表制作动画,同时还可以使用滑块手动更改日期。第二个散点图中的红点则表明其大小与某一特定地点的确诊病例数量成对数比例。这个图表的分辨率更高,数据呈现的是州/省一级的疫情情况。

同时,作者发布了该项目的代码。

GitHub地址项目 GitHub 地址