論文の概要: Instance Segmentation GNNs for One-Shot Conformal Tracking at the LHC

• arxiv url: http://arxiv.org/abs/2103.06509v1
• Date: Thu, 11 Mar 2021 07:15:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-13 00:48:02.943620
• Title: Instance Segmentation GNNs for One-Shot Conformal Tracking at the LHC
• Title（参考訳）: LHCにおけるワンショットコンフォーマルトラッキングのためのInstance Segmentation GNN
• Authors: Savannah Thais, Gage DeZoort
• Abstract要約: グラフニューラルネットワーク(GNN)は、標準的なインスタンスセグメンテーションタスクで有望なパフォーマンスを示している。 従来のカルテス宇宙アプローチをトラックファインディングに再想像し、代わりにGNNがトラックを特定し、単一のショットでパラメータを抽出できるコンフォーマルジオメトリで作業します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D instance segmentation remains a challenging problem in computer vision. Particle tracking at colliders like the LHC can be conceptualized as an instance segmentation task: beginning from a point cloud of hits in a particle detector, an algorithm must identify which hits belong to individual particle trajectories and extract track properties. Graph Neural Networks (GNNs) have shown promising performance on standard instance segmentation tasks. In this work we demonstrate the applicability of instance segmentation GNN architectures to particle tracking; moreover, we re-imagine the traditional Cartesian space approach to track-finding and instead work in a conformal geometry that allows the GNN to identify tracks and extract parameters in a single shot.
• Abstract（参考訳）: 3Dインスタンスセグメンテーションは、コンピュータビジョンの難しい問題です。 LHCのような衝突体における粒子追跡は、インスタンスセグメンテーションタスクとして概念化することができる: 粒子検出器におけるヒットの点群から始まるアルゴリズムは、個々の粒子軌道に属するヒットを識別し、トラック特性を抽出しなければならない。 グラフニューラルネットワーク(GNN)は、標準的なインスタンスセグメンテーションタスクで有望なパフォーマンスを示している。 本研究では, 粒子追跡へのインスタンスセグメンテーション GNN アーキテクチャの適用性を実証し, さらに, トラックフィニングに対する従来のカルテシアン空間アプローチを再定義し, その代わりに, GNN がトラックを識別し, パラメータを単一ショットで抽出する等角形状で処理する。

関連論文リスト

• High Pileup Particle Tracking with Object Condensation [7.962871190916326]
  近年の研究では、荷電粒子追跡のための従来のアルゴリズムの性能とグラフニューラルネットワーク(GNN)が一致できることが示されている。 我々は、任意の数のオブジェクト(トラック)に属するポイント(hits)をクラスタリングし、各オブジェクトのプロパティを回帰するように設計された多目的学習フレームワークである、オブジェクト凝縮(OC)に基づく代替案を検討する。
  論文  参考訳（メタデータ） (2023-12-06T19:00:00Z)
• Lidar Panoptic Segmentation and Tracking without Bells and Whistles [48.078270195629415]
  ライダーセグメンテーションと追跡のための検出中心ネットワークを提案する。 私たちのネットワークのコアコンポーネントの1つは、オブジェクトインスタンス検出ブランチです。 提案手法を複数の3D/4D LPSベンチマークで評価し,我々のモデルがオープンソースモデル間で新たな最先端性を確立することを確認した。
  論文  参考訳（メタデータ） (2023-10-19T04:44:43Z)
• Hierarchical Graph Neural Networks for Particle Track Reconstruction [0.6524460254566905]
  階層グラフニューラルネット(HGNN)と呼ばれる粒子追跡のための新しい変種GNNを導入する。 このアーキテクチャは、トラックに対応する高レベルの表現を作成し、これらのトラックにスペースポイントを割り当て、切断されたスペースポイントを同じトラックに割り当て、同じスペースポイントを共有するために複数のトラックを割り当てることを可能にする。 従来のMLベースのトラッキングアルゴリズムと比較して、HGNNは、トラッキング効率の向上、非効率な入力グラフに対する堅牢性の向上、従来のGNNと比較して収束性の向上を実現している。
  論文  参考訳（メタデータ） (2023-03-03T00:14:32Z)
• Tracking Objects and Activities with Attention for Temporal Sentence Grounding [51.416914256782505]
  時間文 (TSG) は、意味的に自然言語のクエリと一致した時間セグメントを、トリミングされていないセグメントでローカライズすることを目的としている。 本稿では,(A)マルチモーダル・検索空間を生成するクロスモーダル・ターゲット・ジェネレータと(B)マルチモーダル・ターゲットの動作を追跡し,クエリ関連セグメントを予測するテンポラル・センセント・トラッカーとを含む,新しいテンポラル・センセント・トラッカー・ネットワーク(TSTNet)を提案する。
  論文  参考訳（メタデータ） (2023-02-21T16:42:52Z)
• Minkowski Tracker: A Sparse Spatio-Temporal R-CNN for Joint Object Detection and Tracking [53.64390261936975]
  我々はオブジェクトの検出と追跡を共同で解決するスパース時間R-CNNであるMinkowski Trackerを提案する。 領域ベースCNN(R-CNN)に着想を得て,物体検出器R-CNNの第2段階として動きを追跡することを提案する。 大規模実験では,本手法の総合的な性能向上は4つの要因によることがわかった。
  論文  参考訳（メタデータ） (2022-08-22T04:47:40Z)
• Graph Neural Networks for Charged Particle Tracking on FPGAs [2.6402980149746913]
  CERN大型ハドロン衝突型加速器(LHC)における衝突時の荷電粒子軌道の決定は重要な問題であるが難しい問題である。 グラフニューラルネットワーク(GNN)は、幾何学的なディープラーニングアルゴリズムの一種であり、このタスクにうまく適用されている。 我々は、GNNをフィールドプログラマブルゲートアレイ(FPGA)のためのファームウェアに変換するための、$textthls4ml$と呼ばれるより広範なツールに統合された自動翻訳ワークフローを導入する。
  論文  参考訳（メタデータ） (2021-12-03T17:56:10Z)
• VQ-GNN: A Universal Framework to Scale up Graph Neural Networks using Vector Quantization [70.8567058758375]
  VQ-GNNは、Vector Quantization(VQ)を使用して、パフォーマンスを損なうことなく、畳み込みベースのGNNをスケールアップするための普遍的なフレームワークである。 我々のフレームワークは,グラフ畳み込み行列の低ランク版と組み合わせた量子化表現を用いて,GNNの「隣の爆発」問題を回避する。
  論文  参考訳（メタデータ） (2021-10-27T11:48:50Z)
• Charged particle tracking via edge-classifying interaction networks [0.0]
  本研究では, HL-LHCで期待される高ピーク条件下での荷電粒子追跡問題に対して, 物理学的動機付き相互作用ネットワーク(IN) GNNを適用した。 我々は、GNNに基づくトラッキングの各段階での一連の測定を通して、INの優れたエッジ分類精度と追跡効率を実証する。 提案したINアーキテクチャは,従来研究されていたGNNトラッキングアーキテクチャよりも大幅に小さく,制約のある計算環境においてGNNベースのトラッキングを実現する上で重要なサイズ削減である。
  論文  参考訳（メタデータ） (2021-03-30T21:58:52Z)
• LGNN: A Context-aware Line Segment Detector [53.424521592941936]
  我々はLine Graph Neural Network (LGNN) と呼ばれる新しいリアルタイム線分検出手法を提案する。 我々のLGNNは、線分を直接提案するディープ畳み込みニューラルネットワーク(DCNN)と、それらの接続性を推論するためのグラフニューラルネットワーク(GNN)モジュールを使用している。 最先端と比較して、LGNNは精度を損なうことなくほぼリアルタイムのパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-08-13T13:23:18Z)
• Track Seeding and Labelling with Embedded-space Graph Neural Networks [3.5236955190576693]
  Exa.TrkXプロジェクトは、粒子トラック再構築のための機械学習アプローチを調査している。 これらのソリューションで最も有望なのは、グラフニューラルネットワーク(GNN)で、トラック計測を接続するグラフとしてイベントを処理する。 この課題に対する最先端アーキテクチャの更新について報告する。
  論文  参考訳（メタデータ） (2020-06-30T23:43:28Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)

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。