論文の概要: Energy Reconstruction in Analysis of Cherenkov Telescopes Images in TAIGA Experiment Using Deep Learning Methods

• arxiv url: http://arxiv.org/abs/2211.08971v1
• Date: Wed, 16 Nov 2022 15:24:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 16:59:40.974451
• Title: Energy Reconstruction in Analysis of Cherenkov Telescopes Images in TAIGA Experiment Using Deep Learning Methods
• Title（参考訳）: 深層学習法を用いたTAIGA実験におけるチェレンコフ望遠鏡画像の解析によるエネルギー再構成
• Authors: E. O. Gres, A. P. Kryukov
• Abstract要約: 本稿では,1個の望遠鏡(モノモード)と複数個のIACT望遠鏡(ステレオモード)のDeep Learning法によるモンテカルロ画像の解析を行う。 エネルギー再構成の質を推定し,そのエネルギースペクトルを数種類のニューラルネットワークを用いて解析した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Imaging Atmospheric Cherenkov Telescopes (IACT) of TAIGA astrophysical complex allow to observe high energy gamma radiation helping to study many astrophysical objects and processes. TAIGA-IACT enables us to select gamma quanta from the total cosmic radiation flux and recover their primary parameters, such as energy and direction of arrival. The traditional method of processing the resulting images is an image parameterization - so-called the Hillas parameters method. At the present time Machine Learning methods, in particular Deep Learning methods have become actively used for IACT image processing. This paper presents the analysis of simulated Monte Carlo images by several Deep Learning methods for a single telescope (mono-mode) and multiple IACT telescopes (stereo-mode). The estimation of the quality of energy reconstruction was carried out and their energy spectra were analyzed using several types of neural networks. Using the developed methods the obtained results were also compared with the results obtained by traditional methods based on the Hillas parameters.
• Abstract（参考訳）: タイガ天体物理学複合体の大気チェレンコフ望遠鏡(IACT)は高エネルギーガンマ線を観測することができ、多くの天体や過程を研究するのに役立つ。 タイガ・イアクトにより,宇宙放射フラックスからガンマ量子を選択でき,エネルギーや到着方向などの一次パラメータを回復できる。 得られた画像を処理する伝統的な方法は、イメージパラメータ化(いわゆるhillasパラメータメソッド)である。 現在、機械学習手法、特にディープラーニング手法は、iact画像処理に積極的に使われている。 本稿では, 単モード(モノモード)と複数のIACT望遠鏡(ステレオモード)のDeep Learning法によるモンテカルロ画像の解析を行った。 エネルギー再構成の質を推定し,そのエネルギースペクトルを数種類のニューラルネットワークを用いて解析した。 得られた結果をヒラスパラメータに基づいて従来の手法で得られた結果と比較した。

関連論文リスト

• Enhancing Events in Neutrino Telescopes through Deep Learning-Driven Super-Resolution [0.0]
  本稿では,深層学習駆動によるデータイベントの超解像を用いて,検出器媒質を介して光子輸送を学習する手法を提案する。 我々の戦略では、既存の検出器の幾何内に仮想'の光学モジュールを配置し、畳み込みニューラルネットワークをトレーニングし、これらの仮想光学モジュールのヒットを予測する。
  論文  参考訳（メタデータ） (2024-08-16T01:20:27Z)
• Deep Learning Methods for Calibrated Photometric Stereo and Beyond [86.57469194387264]
  光度ステレオは、さまざまなシェーディングキューを持つ複数の画像から物体の表面の正常性を回復する。 深層学習法は、非ランベルト面に対する測光ステレオの文脈において強力な能力を示している。
  論文  参考訳（メタデータ） (2022-12-16T11:27:44Z)
• High-Resolution CMB Lensing Reconstruction with Deep Learning [4.6453787256723365]
  我々は、レンズ収束場を再構成するために、GAN(Generative Adversarial Network)を適用した。 このプロセスでは、様々なパワースペクトルによって生成されたトレーニングセットを、メソッドのテストで使用されるものではなく、使用する。
  論文  参考訳（メタデータ） (2022-05-15T19:58:39Z)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)
• Processing Images from Multiple IACTs in the TAIGA Experiment with Convolutional Neural Networks [62.997667081978825]
  我々は、畳み込みニューラルネットワーク(CNN)を用いて、TAIGA実験からモンテカルロシミュレーション画像を分析する。 この分析は、ガンマ線によるシャワーに対応する画像の選択と、ガンマ線のエネルギーを推定することを含む。
  論文  参考訳（メタデータ） (2021-12-31T10:49:11Z)
• The Preliminary Results on Analysis of TAIGA-IACT Images Using Convolutional Neural Networks [68.8204255655161]
  本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。 The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
  論文  参考訳（メタデータ） (2021-12-19T15:17:20Z)
• Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
  スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。 特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。 スペクトルct材料分解の数値的および実験的結果を示す。
  論文  参考訳（メタデータ） (2021-03-25T15:20:10Z)
• Deep learning with photosensor timing information as a background rejection method for the Cherenkov Telescope Array [0.0]
  Atmospheric Cherenkov Telescopes (IACTs) の画像解析における新たな深層学習手法の提案 cnnは、チェレンコフシャワー画像に含まれる全情報を使用する直接イベント分類方法を提供することができる。
  論文  参考訳（メタデータ） (2021-03-10T13:54:43Z)
• Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
  本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。 提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-03-15T23:07:56Z)

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。