論文の概要: $\mu$-Net: ConvNext-Based U-Nets for Cosmic Muon Tomography

• arxiv url: http://arxiv.org/abs/2312.17265v1
• Date: Mon, 25 Dec 2023 12:54:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 12:51:57.356827
• Title: $\mu$-Net: ConvNext-Based U-Nets for Cosmic Muon Tomography
• Title（参考訳）: $\mu$-Net: Cosmic Muon TomographyのためのConvNextベースのU-Net
• Authors: Li Xin Jed Lim, Ziming Qiu
• Abstract要約: $mu$-Netはミューオン散乱トモグラフィーのための新しいディープラーニングアルゴリズムである。 1024ミューオンの投与で17.14PSNRの最先端のパフォーマンスを達成する。 ミューオン検出をボクセルにマッピングする最初の大規模データセットを生成し、公開しています。
• 参考スコア（独自算出の注目度）: 0.08158530638728499
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Muon scattering tomography utilises muons, typically originating from cosmic rays to image the interiors of dense objects. However, due to the low flux of cosmic ray muons at sea-level and the highly complex interactions that muons display when travelling through matter, existing reconstruction algorithms often suffer from low resolution and high noise. In this work, we develop a novel two-stage deep learning algorithm, $\mu$-Net, consisting of an MLP to predict the muon trajectory and a ConvNeXt-based U-Net to convert the scattering points into voxels. $\mu$-Net achieves a state-of-the-art performance of 17.14 PSNR at the dosage of 1024 muons, outperforming traditional reconstruction algorithms such as the point of closest approach algorithm and maximum likelihood and expectation maximisation algorithm. Furthermore, we find that our method is robust to various corruptions such as inaccuracies in the muon momentum or a limited detector resolution. We also generate and publicly release the first large-scale dataset that maps muon detections to voxels. We hope that our research will spark further investigations into the potential of deep learning to revolutionise this field.
• Abstract（参考訳）: ミューオン散乱トモグラフィーは、通常宇宙線に由来するミューオンを利用して、密度の高い物体の内部を撮影する。 しかし、海面における宇宙線ミューオンのフラックスが低く、物質を移動する際にミューオンが提示する非常に複雑な相互作用のため、既存の再構成アルゴリズムは低分解能と高ノイズに悩まされることが多い。 本研究では,ミューオン軌道を予測するためのMLPと,散乱点をボクセルに変換するConvNeXtベースのU-Netからなる,新しい2段階深層学習アルゴリズムである$\mu$-Netを開発する。 $\mu$-netは1024ミューオンの量で17.14 psnrの最先端性能を達成し、最も近いアプローチアルゴリズムや最大確率・期待最大化アルゴリズムといった従来の再構成アルゴリズムよりも優れている。 さらに, 本手法はミューオン運動量の不正確さや限定的な検出器分解能など, さまざまな腐敗に対して頑健であることがわかった。 muon検出をvoxelにマップする,最初の大規模データセットも生成して公開しています。 我々は、この分野に革命をもたらす深層学習の可能性について、我々の研究がさらなる調査を引き起こすことを期待している。

関連論文リスト

• Efficient Measurement-Driven Eigenenergy Estimation with Classical Shadows [0.0]
  マルチオブザーバブル・ダイナミックモード分解(MODMD)の枠組みを紹介する。 我々は、典型的なアダマールテスト回路を、低ランクの可観測性を予測するために設計されたプロトコルに置き換える。 我々の研究は、短期および早期の耐故障性量子デバイス上での測定駆動アルゴリズムを効率的に設計するための道を開く。
  論文  参考訳（メタデータ） (2024-09-20T17:59:56Z)
• A Mirror Descent-Based Algorithm for Corruption-Tolerant Distributed Gradient Descent [57.64826450787237]
  本研究では, 分散勾配降下アルゴリズムの挙動を, 敵対的腐敗の有無で解析する方法を示す。 汚職耐性の分散最適化アルゴリズムを設計するために、(怠慢な)ミラー降下からアイデアをどう使うかを示す。 MNISTデータセットの線形回帰、サポートベクトル分類、ソフトマックス分類に基づく実験は、我々の理論的知見を裏付けるものである。
  論文  参考訳（メタデータ） (2024-07-19T08:29:12Z)
• Consistency of Lloyd's Algorithm Under Perturbations [11.56433365648479]
  ロイドのアルゴリズムは最も広く使われているクラスタリングアルゴリズムの1つである。 準ガウス混合のサンプルに対するロイドのアルゴリズムの誤クラスタリング速度は、$O(log(n))$ iterationsの後に指数関数的に有界であることを示す。
  論文  参考訳（メタデータ） (2023-09-01T16:45:52Z)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。 このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。 我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• Physics-informed compressed sensing for PC-MRI: an inverse Navier-Stokes problem [78.20667552233989]
  我々は、ノイズやスパース磁気共鳴信号から速度場を復元するための物理インフォームド圧縮センシング(PICS)法を定式化する。 本手法は, 疎サンプリング信号から速度場を再構成し, セグメンテーションすることができる。
  論文  参考訳（メタデータ） (2022-07-04T14:51:59Z)
• Rethinking Spatial Invariance of Convolutional Networks for Object Counting [119.83017534355842]
  局所連結ガウス核を用いて元の畳み込みフィルタを置き換え、密度写像の空間位置を推定する。 従来の研究から着想を得て,大規模なガウス畳み込みの近似を好意的に実装するために,翻訳不変性を伴う低ランク近似を提案する。 提案手法は,他の最先端手法を著しく上回り,物体の空間的位置の有望な学習を実現する。
  論文  参考訳（メタデータ） (2022-06-10T17:51:25Z)
• Super-resolution GANs of randomly-seeded fields [68.8204255655161]
  ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。 このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。 提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
  論文  参考訳（メタデータ） (2022-02-23T18:57:53Z)
• Online Limited Memory Neural-Linear Bandits with Likelihood Matching [53.18698496031658]
  本研究では,探索学習と表現学習の両方が重要な役割を果たす課題を解決するために,ニューラルネットワークの帯域について検討する。 破滅的な忘れ込みに対して耐性があり、完全にオンラインである可能性の高いマッチングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-07T14:19:07Z)
• A Quantum Graph Neural Network Approach to Particle Track Reconstruction [1.087475836765689]
  本稿では,初期単純化ツリーネットワーク(TTN)モデルの低精度化を克服するために,反復的アプローチによる改良モデルを提案する。 我々は、量子コンピューティングの能力を活用して、非常に多くの状態を同時に評価し、それによって、大きなパラメータ空間を効果的に探索することを目指している。
  論文  参考訳（メタデータ） (2020-07-14T07:25:24Z)
• The GCE in a New Light: Disentangling the $\gamma$-ray Sky with Bayesian Graph Convolutional Neural Networks [5.735035463793008]
  GCE(Galactic Center Excess)に関する根本的な疑問は、基礎となる構造が点状か滑らかかである。 本研究ではベイジアングラフ畳み込みニューラルネットワークを用いてこの問題を考察する。 背景テンプレートからのフラックス分画のNN推定値がNPTFと一致していることが判明した。 NNは1$sigma$検出しきい値付近でピークとなる点ソースのフラックスを過小評価する傾向があるため、GCEに対して決定的な解決を主張することはない。
  論文  参考訳（メタデータ） (2020-06-22T18:00:00Z)
• Particle Track Reconstruction with Quantum Algorithms [1.087475836765689]
  本稿では,初期シード段階におけるバックグラウンドの低減を目的とした量子ベーストラック探索アルゴリズムの実装について述べる。 荷電粒子軌道の再構築は、HL-LHCデータの正しい解釈にとって大きな課題となる。
  論文  参考訳（メタデータ） (2020-03-18T09:59:20Z)

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。