論文の概要: Scalable, Proposal-free Instance Segmentation Network for 3D Pixel Clustering and Particle Trajectory Reconstruction in Liquid Argon Time Projection Chambers

• arxiv url: http://arxiv.org/abs/2007.03083v1
• Date: Mon, 6 Jul 2020 21:37:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 03:20:00.710984
• Title: Scalable, Proposal-free Instance Segmentation Network for 3D Pixel Clustering and Particle Trajectory Reconstruction in Liquid Argon Time Projection Chambers
• Title（参考訳）: 液体アルゴン時間投影室における3次元画素クラスタリングと粒子軌道再構成のためのスケーラブルで提案不要なインスタンスセグメンテーションネットワーク
• Authors: Dae Heun Koh, Pierre C\^ote de Soux, Laura Domin\'e, Fran\c{c}ois Drielsma, Ran Itay, Qing Lin, Kazuhiro Terao, Ka Vang Tsang, Tracy Usher (for the DeepLearnPhysics Collaboration)
• Abstract要約: 液体アルゴン時間射影チャンバー(Liquid Argon Time Projection Chambers、LArTPC)は、高分解能粒子イメージング検出器である。 スパース畳み込みニューラルネットワーク(SCNN)を用いたLArTPCデータにおける粒子クラスタリングのための最初のスケーラブルなディープラーニングアルゴリズムを提案する。 我々は,公開3次元粒子画像データセットであるPILArNetのアルゴリズムの性能をベンチマークした。
• 参考スコア（独自算出の注目度）: 2.5576696189824912
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Liquid Argon Time Projection Chambers (LArTPCs) are high resolution particle imaging detectors, employed by accelerator-based neutrino oscillation experiments for high precision physics measurements. While images of particle trajectories are intuitive to analyze for physicists, the development of a high quality, automated data reconstruction chain remains challenging. One of the most critical reconstruction steps is particle clustering: the task of grouping 3D image pixels into different particle instances that share the same particle type. In this paper, we propose the first scalable deep learning algorithm for particle clustering in LArTPC data using sparse convolutional neural networks (SCNN). Building on previous works on SCNNs and proposal free instance segmentation, we build an end-to-end trainable instance segmentation network that learns an embedding of the image pixels to perform point cloud clustering in a transformed space. We benchmark the performance of our algorithm on PILArNet, a public 3D particle imaging dataset, with respect to common clustering evaluation metrics. 3D pixels were successfully clustered into individual particle trajectories with 90% of them having an adjusted Rand index score greater than 92% with a mean pixel clustering efficiency and purity above 96%. This work contributes to the development of an end-to-end optimizable full data reconstruction chain for LArTPCs, in particular pixel-based 3D imaging detectors including the near detector of the Deep Underground Neutrino Experiment. Our algorithm is made available in the open access repository, and we share our Singularity software container, which can be used to reproduce our work on the dataset.
• Abstract（参考訳）: 液体アルゴン時間射影チャンバー(Liquid Argon Time Projection Chambers、LArTPC)は、高精度物理測定のための加速器ベースのニュートリノ振動実験で用いられる高分解能粒子イメージング検出器である。 粒子軌道の画像は物理学者にとって直感的に解析できるが、高品質で自動化されたデータ再構成チェーンの開発は依然として困難である。 3Dイメージピクセルを同じ粒子タイプを共有する異なる粒子インスタンスにグループ化する作業である。 本稿では,Sparse Convolutional Neural Network (SCNN) を用いたLArTPCデータにおける粒子クラスタリングのための,最初のスケーラブルなディープラーニングアルゴリズムを提案する。 scnnと提案するフリーインスタンスセグメンテーションに基づいて、画像ピクセルの埋め込みを学習し、変換された空間でポイントクラウドクラスタリングを行うエンドツーエンドのトレーニング可能なインスタンスセグメンテーションネットワークを構築する。 我々は,一般的なクラスタリング評価指標に関して,公開3次元粒子画像データセットであるPILArNetのアルゴリズムの性能をベンチマークした。 3次元画素を個々の粒子軌道にクラスタリングし,90%を調整したRand指数スコアを92%以上,平均画素クラスタリング効率と純度を96%以上とした。 この研究は、LArTPC、特にディープ地下ニュートリノ実験の近接検出器を含むピクセルベースの3Dイメージング検出器のエンドツーエンドで最適化可能な全データ再構成チェーンの開発に寄与する。 我々のアルゴリズムはオープンアクセスレポジトリで利用可能であり、データセットの作業を再現するために使用できるSingularityソフトウェアコンテナを共有しています。

関連論文リスト

• N-BVH: Neural ray queries with bounding volume hierarchies [51.430495562430565]
  3Dコンピュータグラフィックスでは、シーンのメモリ使用量の大部分がポリゴンとテクスチャによるものである。 N-BVHは3次元の任意の光線クエリに応答するように設計されたニューラル圧縮アーキテクチャである。 本手法は, 視認性, 深度, 外観特性を忠実に近似する。
  論文  参考訳（メタデータ） (2024-05-25T13:54:34Z)
• Superpixel Graph Contrastive Clustering with Semantic-Invariant Augmentations for Hyperspectral Images [64.72242126879503]
  ハイパースペクトル画像(HSI)クラスタリングは重要な課題だが難しい課題である。 まず3次元と2次元のハイブリッド畳み込みニューラルネットワークを用いてHSIの高次空間およびスペクトルの特徴を抽出する。 次に,超画素グラフの対比クラスタリングモデルを設計し,識別的超画素表現を学習する。
  論文  参考訳（メタデータ） (2024-03-04T07:40:55Z)
• Ponder: Point Cloud Pre-training via Neural Rendering [93.34522605321514]
  本稿では,識別可能なニューラルエンコーダによる点雲表現の自己教師型学習手法を提案する。 学習したポイントクラウドは、3D検出やセグメンテーションといったハイレベルなレンダリングタスクだけでなく、3D再構成や画像レンダリングといった低レベルなタスクを含む、さまざまなダウンストリームタスクに簡単に統合できる。
  論文  参考訳（メタデータ） (2022-12-31T08:58:39Z)
• Rethinking Unsupervised Neural Superpixel Segmentation [6.123324869194195]
  CNNによるスーパーピクセルセグメンテーションのための教師なし学習が研究されている。 このようなネットワークの有効性を改善するために,3つの重要な要素を提案する。 BSDS500データセットを実験した結果,提案手法の意義を示す証拠が得られた。
  論文  参考訳（メタデータ） (2022-06-21T09:30:26Z)
• RBGNet: Ray-based Grouping for 3D Object Detection [104.98776095895641]
  本稿では,点雲からの正確な3次元物体検出のための投票型3次元検出器RBGNetフレームワークを提案する。 決定された光線群を用いて物体表面上の点方向の特徴を集約する。 ScanNet V2 と SUN RGB-D による最先端の3D 検出性能を実現する。
  論文  参考訳（メタデータ） (2022-04-05T14:42:57Z)
• VPFNet: Improving 3D Object Detection with Virtual Point based LiDAR and Stereo Data Fusion [62.24001258298076]
  VPFNetは、ポイントクラウドとイメージデータを仮想のポイントで巧みに調整し集約する新しいアーキテクチャである。 当社のVPFNetは,KITTIテストセットで83.21%の中等度3D AP,91.86%中等度BEV APを達成し,2021年5月21日以来の1位となった。
  論文  参考訳（メタデータ） (2021-11-29T08:51:20Z)
• Scalable, End-to-End, Deep-Learning-Based Data Reconstruction Chain for Particle Imaging Detectors [0.0]
  本稿では,Lyquid Time Projection Chambers (LArTPCs) のためのエンドツーエンドのMLベースのデータ再構成チェーンを提案する。 これは、何十もの高エネルギーニュートリノ相互作用の既往の積み重ねを扱う最初の実装である。
  論文  参考訳（メタデータ） (2021-02-01T18:10:00Z)
• 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)
• Clustering of Electromagnetic Showers and Particle Interactions with Graph Neural Networks in Liquid Argon Time Projection Chambers Data [4.653747487703939]
  液体アルゴン時間射影チャンバー(Liquid Argon Time Projection Chambers、LArTPC)は、荷電粒子の高解像度画像を生成する検出器である。 異なる粒子の超構造へのクラスター化は、現在と将来のニュートリノ物理学計画において中心的な重要性を持つ。 本稿ではグラフニューラルネットワーク(GNN)を用いて,EMシャワーフラグメントの隣接行列を予測し,シャワーの発生源を同定する。
  論文  参考訳（メタデータ） (2020-07-02T18:32:25Z)
• Generative Sparse Detection Networks for 3D Single-shot Object Detection [43.91336826079574]
  3Dオブジェクト検出は、ロボット工学や拡張現実など多くの有望な分野に適用可能であるため、広く研究されている。 しかし、3Dデータのまばらな性質は、このタスクに固有の課題をもたらしている。 本稿では,完全畳み込み単一ショットスパース検出ネットワークであるGenerative Sparse Detection Network (GSDN)を提案する。
  論文  参考訳（メタデータ） (2020-06-22T15:54:24Z)
• The use of Convolutional Neural Networks for signal-background classification in Particle Physics experiments [0.4301924025274017]
  広範に畳み込み型ニューラルアーキテクチャ探索を行い,HEP分類のための信号/背景識別を高精度に行う。 パラメータが少ないCNNで複雑なResNetアーキテクチャと同じ精度を実現できることを示す。
  論文  参考訳（メタデータ） (2020-02-13T19:54:46Z)

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。