論文の概要: PILArNet: Public Dataset for Particle Imaging Liquid Argon Detectors in
High Energy Physics
- arxiv url: http://arxiv.org/abs/2006.01993v1
- Date: Wed, 3 Jun 2020 00:36:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 17:54:12.135257
- Title: PILArNet: Public Dataset for Particle Imaging Liquid Argon Detectors in
High Energy Physics
- Title（参考訳）: PILArNet:高エネルギー物理における粒子イメージング液体アルゴン検出器の公開データセット
- Authors: Corey Adams, Kazuhiro Terao, Taritree Wongjirad
- Abstract要約: PILArNetは、最初の2Dおよび3Dオープンデータセットで、いくつかの重要な分析タスクに使用される。
データセットには、シミュレーションされた30万のサンプルが含まれ、3つの異なるボリュームサイズで記録されている。
体積のシミュレーション粒子に関する補助情報を備えたスパース2Dおよび3Dマトリックス形式で効率よく保存される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rapid advancement of machine learning solutions has often coincided with the
production of a test public data set. Such datasets reduce the largest barrier
to entry for tackling a problem -- procuring data -- while also providing a
benchmark to compare different solutions. Furthermore, large datasets have been
used to train high-performing feature finders which are then used in new
approaches to problems beyond that initially defined. In order to encourage the
rapid development in the analysis of data collected using liquid argon time
projection chambers, a class of particle detectors used in high energy physics
experiments, we have produced the PILArNet, first 2D and 3D open dataset to be
used for a couple of key analysis tasks. The initial dataset presented in this
paper contains 300,000 samples simulated and recorded in three different volume
sizes. The dataset is stored efficiently in sparse 2D and 3D matrix format with
auxiliary information about simulated particles in the volume, and is made
available for public research use. In this paper we describe the dataset,
tasks, and the method used to procure the sample.
- Abstract（参考訳）: 機械学習ソリューションの急速な進歩は、しばしばテスト公開データセットの作成と一致している。
このようなデータセットは、問題に対処するための最も大きな障壁であるデータ取得を減らし、異なるソリューションを比較するためのベンチマークも提供する。
さらに、大規模なデータセットを使用して、ハイパフォーマンスな機能ファインダをトレーニングし、その後、最初に定義された問題に対する新しいアプローチで使用される。
高エネルギー物理実験で用いられる粒子検出器のクラスである液体アルゴン時間投射チャンバーを用いて収集したデータの解析の急速な発展を促進するため、我々はPILArNet、最初の2Dおよび3Dオープンデータセットを2つの重要な解析タスクに使用した。
本論文で提示された最初のデータセットは,3つの異なるボリュームサイズでシミュレートおよび記録された30万のサンプルを含む。
データセットは、ボリューム内の模擬粒子の補助情報とともにスパース2Dおよび3Dマトリクス形式で効率よく保存され、公開研究用に利用できる。
本稿では,サンプルの調達に使用されるデータセット,タスク,方法について述べる。
関連論文リスト
- Putting Data at the Centre of Offline Multi-Agent Reinforcement Learning [3.623224034411137]
オフラインマルチエージェント強化学習(英語: offline multi-agent reinforcement learning, MARL)は、静的データセットを用いてマルチエージェントシステムの最適制御ポリシーを見つける研究のエキサイティングな方向である。
この分野は定義上はデータ駆動型だが、これまでのところ、最先端の結果を達成するための努力は、データを無視してきた。
研究の大部分は、一貫した方法論を使わずに独自のデータセットを生成し、これらのデータセットの特徴に関するまばらな情報を提供する。
論文 参考訳（メタデータ） (2024-09-18T14:13:24Z) - ShapeSplat: A Large-scale Dataset of Gaussian Splats and Their Self-Supervised Pretraining [104.34751911174196]
ShapeNetとModelNetを用いた大規模3DGSデータセットを構築した。
データセットのShapeSplatは、87のユニークなカテゴリから65Kのオブジェクトで構成されています。
textbftextitGaussian-MAEを導入し、ガウスパラメータからの表現学習の独特な利点を強調した。
論文 参考訳（メタデータ） (2024-08-20T14:49:14Z) - 3DiffTection: 3D Object Detection with Geometry-Aware Diffusion Features [70.50665869806188]
3DiffTectionは、単一の画像から3Dオブジェクトを検出する最先端の方法である。
拡散モデルを微調整し、単一の画像に条件付けされた新しいビュー合成を行う。
さらに、検出監視により、ターゲットデータ上でモデルをトレーニングする。
論文 参考訳（メタデータ） (2023-11-07T23:46:41Z) - LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。
しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。
カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
論文 参考訳（メタデータ） (2023-06-14T05:48:36Z) - Uni3D: A Unified Baseline for Multi-dataset 3D Object Detection [34.2238222373818]
現在の3Dオブジェクト検出モデルは、単一のデータセット固有のトレーニングとテストのパラダイムに従っている。
本稿では,複数のデータセットから統合された3次元検出器を訓練する作業について検討する。
単純なデータレベルの修正操作と設計された意味レベルの結合・再結合モジュールを利用するUni3Dを提案する。
論文 参考訳（メタデータ） (2023-03-13T05:54:13Z) - Primitive3D: 3D Object Dataset Synthesis from Randomly Assembled
Primitives [44.03149443379618]
アノテーションで大量の3Dオブジェクトを自動生成するコスト効率のよい手法を提案する。
これらのオブジェクトはプリミティブから派生した部分ラベルで自動アノテーションされる。
生成したデータセットに対する学習のオーバーヘッドが大きいことを考慮し,データセットの蒸留戦略を提案する。
論文 参考訳（メタデータ） (2022-05-25T10:07:07Z) - RandomRooms: Unsupervised Pre-training from Synthetic Shapes and
Randomized Layouts for 3D Object Detection [138.2892824662943]
有望な解決策は、CADオブジェクトモデルで構成される合成データセットをよりよく利用して、実際のデータセットでの学習を促進することである。
最近の3次元事前学習の研究は、合成物体から他の実世界の応用へ学習した伝達特性が失敗することを示している。
本研究では,この目的を達成するためにRandomRoomsという新しい手法を提案する。
論文 参考訳（メタデータ） (2021-08-17T17:56:12Z) - Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in
Adverse Weather [92.84066576636914]
本研究は,霧の天候下でのLiDARによる3次元物体検出の課題に対処する。
我々は、物理的に正確な霧をクリア・ウェザー・シーンにシミュレートすることでこの問題に対処する。
Seeing Through Fogデータセットに強力な3Dオブジェクト検出ベースラインを提供するのはこれが初めてです。
論文 参考訳（メタデータ） (2021-08-11T14:37:54Z) - Bridge Data Center AI Systems with Edge Computing for Actionable
Information Retrieval [0.5652468989804973]
現代のシンクロトロンおよびX線自由電子レーザーにおける高いデータレートは、データ還元、特徴検出、その他の目的のために機械学習手法の使用を動機付けている。
ここでは、この目的のために、特別なデータセンターAIシステムがどのように使用できるかを説明します。
論文 参考訳（メタデータ） (2021-05-28T16:47:01Z) - Reinforced Axial Refinement Network for Monocular 3D Object Detection [160.34246529816085]
モノクロ3次元物体検出は、2次元入力画像から物体の位置と特性を抽出することを目的としている。
従来のアプローチでは、空間から3D境界ボックスをサンプリングし、対象オブジェクトと各オブジェクトの関係を推定するが、有効サンプルの確率は3D空間で比較的小さい。
我々は,まず最初の予測から始めて,各ステップで1つの3dパラメータだけを変えて,基礎的真理に向けて徐々に洗練することを提案する。
これは、いくつかのステップの後に報酬を得るポリシーを設計する必要があるため、最適化するために強化学習を採用します。
論文 参考訳（メタデータ） (2020-08-31T17:10:48Z) - Performance Analysis of Semi-supervised Learning in the Small-data
Regime using VAEs [0.261072980439312]
そこで本研究では,データ空間の潜在空間表現を事前学習した既存のアルゴリズムを用いて,データ構造入力の低次元の特徴を抽出する手法を提案する。
微調整された潜在空間は、分類に有用な一定の重みを与える。
ここでは、半教師付き学習において、遅延空間サイズが異なるVAEアルゴリズムの性能解析について述べる。
論文 参考訳（メタデータ） (2020-02-26T16:19:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。