Fugu-MT 論文翻訳(概要): What Machine Learning Can Do for Focusing Aerogel Detectors

論文の概要: What Machine Learning Can Do for Focusing Aerogel Detectors

arxiv url: http://arxiv.org/abs/2312.02652v1
Date: Tue, 5 Dec 2023 10:46:16 GMT
ステータス: 処理完了
システム内更新日: 2023-12-06 16:06:36.993175
Title: What Machine Learning Can Do for Focusing Aerogel Detectors
Title（参考訳）: エアロゲル検出器のフォーカスに機械学習ができること
Authors: Foma Shipilov, Alexander Barnyakov, Vladimir Bobrovnikov, Sergey Kononov, Fedor Ratnikov
Abstract要約: スーパーチャームタウ工場実験における粒子識別は、集束型エアロゲルリングイメージングチェレンコフ検出器(FARICH)によって提供される。検出位置の特定は適切な冷却を困難にするため、かなりの数の周囲のバックグラウンドヒットが捕捉される。本研究では,コンピュータビジョンの機械学習技術に触発された信号ヒットのフィルタリング手法を提案する。
参考スコア（独自算出の注目度）: 42.18762603890493
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Particle identification at the Super Charm-Tau factory experiment will be provided by a Focusing Aerogel Ring Imaging CHerenkov detector (FARICH). The specifics of detector location make proper cooling difficult, therefore a significant number of ambient background hits are captured. They must be mitigated to reduce the data flow and improve particle velocity resolution. In this work we present several approaches to filtering signal hits, inspired by machine learning techniques from computer vision.
Abstract（参考訳）: スーパーチャーム・タウ工場での粒子識別は、Focusing Aerogel Ring Imaging CHerenkov detector (FARICH)によって行われる。検出器位置の特定は適切な冷却を困難にするため、かなりの数の周囲の背景衝撃を捕捉する。データフローを低減し、粒子速度の分解性を改善するために緩和する必要がある。本研究では,コンピュータビジョンの機械学習技術に触発された信号ヒットのフィルタリング手法を提案する。

関連論文リスト

AI-based particle track identification in scintillating fibres read out with imaging sensors [1.321203201549798]
本研究では,SPADアレイセンサによって生成された実データから,信号を含むフレームを効率よくフィルタリングし,識別する可変オートエンコーダ(VAE)を提案する。我々のVAEモデルは、背景雑音から粒子トラックを含むフレームを識別する能力を示した。
論文参考訳（メタデータ） (2024-10-14T13:59:30Z)
Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
論文参考訳（メタデータ） (2024-03-12T01:28:00Z)
Object-centric Cross-modal Feature Distillation for Event-based Object Detection [87.50272918262361]
RGB検出器は、イベントデータのばらつきと視覚的詳細の欠如により、イベントベースの検出器よりも優れている。これら2つのモード間の性能ギャップを縮めるための新しい知識蒸留手法を開発した。対象中心蒸留により,イベントベースの学生物体検出装置の性能が大幅に向上することを示す。
論文参考訳（メタデータ） (2023-11-09T16:33:08Z)
Efficient Object Detection in Optical Remote Sensing Imagery via Attention-based Feature Distillation [29.821082433621868]
本研究では,物体検出のための注意型特徴蒸留(AFD)を提案する。本稿では,背景要素と前景要素を効果的に区別するマルチインスタンスアテンション機構を提案する。 AFDは、他の最先端モデルの性能を効率よく達成する。
論文参考訳（メタデータ） (2023-10-28T11:15:37Z)
Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文参考訳（メタデータ） (2023-08-24T12:32:46Z)
Image-Based Fire Detection in Industrial Environments with YOLOv4 [53.180678723280145]
この研究は、AIが火災を検出し、認識し、画像ストリーム上のオブジェクト検出を使用して検出時間を短縮する可能性を検討する。そこで我々は, YOLOv4オブジェクト検出器をベースとした複数のモデルのトレーニングと評価に使用されてきた複数の公開情報源から, 適切なデータを収集, ラベル付けした。
論文参考訳（メタデータ） (2022-12-09T11:32:36Z)
Convolutional Deep Denoising Autoencoders for Radio Astronomical Images [0.0]
我々は、最先端の電波望遠鏡の合成画像に、畳み込み復号化オートエンコーダ(Convolutional Denoising Autoencoder)と呼ばれる機械学習技術を適用した。我々のオートエンコーダは、器用感度の限界でかすかな物体を識別し、抽出する複雑な画像を効果的に識別することができる。
論文参考訳（メタデータ） (2021-10-16T17:08:30Z)
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)
SWIPENET: Object detection in noisy underwater images [41.35601054297707]
本稿では,この2つの問題に対処するために,Sample-WeIghted hyPEr Network(SWIPENET)とCurriculum Multi-Class Adaboost(CMA)という堅牢なトレーニングパラダイムを提案する。 SWIPENETのバックボーンは、複数の高解像度かつセマンティックリッチなハイパーフィーチャーマップを生成し、小さなオブジェクト検出を大幅に改善する。簡単な概念から難しい概念まで学習を促進する人間の教育プロセスに着想を得て,まず騒音の影響を受けないクリーンな検出器を訓練するCMA訓練パラダイムを提案する。
論文参考訳（メタデータ） (2020-10-19T16:41:20Z)
Perceiving Traffic from Aerial Images [86.994032967469]
本研究では,空中画像中の物体を検出するために,バタフライ検出器と呼ばれる物体検出手法を提案する。 UAVDT(UAVDT)とVisDrone 2019(VisDrone 2019)の2つのUAVデータセット上でButterfly Detectorを評価し、従来の最先端の手法よりも高速に動作し、かつリアルタイムに動作可能であることを示す。
論文参考訳（メタデータ） (2020-09-16T11:37:43Z)

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。