論文の概要: High-energy physics image classification: A Survey of Jet Applications

• arxiv url: http://arxiv.org/abs/2403.11934v1
• Date: Mon, 18 Mar 2024 16:33:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-20 19:30:44.391720
• Title: High-energy physics image classification: A Survey of Jet Applications
• Title（参考訳）: 高エネルギー物理画像分類:ジェットの応用に関する調査
• Authors: Hamza Kheddar, Yassine Himeur, Abbes Amira, Rachik Soualah,
• Abstract要約: 高エネルギー物理実験では、機械学習(ML)とその専門分野であるディープラーニング(DL)が統合されている。 この調査は、様々なDLアプローチの範囲内で、これらの応用を包括的に評価する。
• 参考スコア（独自算出の注目度）: 3.1070277982608605
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent times, the fields of high-energy physics (HEP) experimentation and phenomenological studies have seen the integration of machine learning (ML) and its specialized branch, deep learning (DL). This survey offers a comprehensive assessment of these applications within the realm of various DL approaches. The initial segment of the paper introduces the fundamentals encompassing diverse particle physics types and establishes criteria for evaluating particle physics in tandem with learning models. Following this, a comprehensive taxonomy is presented for representing HEP images, encompassing accessible datasets, intricate details of preprocessing techniques, and methods of feature extraction and selection. Subsequently, the focus shifts to an exploration of available artificial intelligence (AI) models tailored to HEP images, along with a concentrated examination of HEP image classification pertaining to Jet particles. Within this review, a profound investigation is undertaken into distinct ML and DL proposed state-of-the art (SOTA) techniques, underscoring their implications for HEP inquiries. The discussion delves into specific applications in substantial detail, including Jet tagging, Jet tracking, particle classification, and more. The survey culminates with an analysis concerning the present status of HEP grounded in DL methodologies, encompassing inherent challenges and prospective avenues for future research endeavors.
• Abstract（参考訳）: 近年、高エネルギー物理(HEP)実験や現象学研究の分野では、機械学習(ML)とその専門分野である深層学習(DL)が統合されている。 この調査は、様々なDLアプローチの範囲内で、これらの応用を包括的に評価する。 本論文の最初のセグメントでは,様々な粒子物理学のタイプを包含する基礎について紹介し,素粒子物理を学習モデルと組み合わせて評価するための基準を確立する。 その後、HEP画像、アクセス可能なデータセット、事前処理技術の詳細な詳細、特徴抽出と選択の方法などを表現するための包括的な分類法が提示される。 その後、HEP画像に合わせて利用可能な人工知能(AI)モデルを探索し、ジェット粒子に関するHEP画像分類を精査する。 本総説では, ML と DL が提案する最先端技術 (SOTA) について深く検討し, HEP 調査の意義について考察した。 この議論は、ジェットタグ、ジェットトラッキング、粒子分類など、特定の応用をかなり詳細に掘り下げている。 本調査は, DL方法論に基づくHEPの現状に関する分析から, 今後の研究課題と今後の課題を包括する。

関連論文リスト

• A Deep Learning Approach for Pixel-level Material Classification via Hyperspectral Imaging [1.294249882472766]
  ハイパースペクトル(HS)イメージングは、X線蛍光やラマン分光のような従来の技術よりも有利である。 本研究では,HSイメージングと深層学習を併用した材料評価の可能性について検討した。 このモデルは99.94%の分類精度を達成し、色、サイズ、形状のばらつきの堅牢さを示し、材料重なりを効果的に扱った。
  論文  参考訳（メタデータ） (2024-09-20T13:38:48Z)
• Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
  本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。 我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。 シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
  論文  参考訳（メタデータ） (2024-08-22T07:33:11Z)
• Improving Molecular Modeling with Geometric GNNs: an Empirical Study [56.52346265722167]
  本稿では,異なる標準化手法,(2)グラフ作成戦略,(3)補助的なタスクが性能,拡張性,対称性の強制に与える影響に焦点をあてる。 本研究の目的は,分子モデリングタスクに最適なモデリングコンポーネントの選択を研究者に案内することである。
  論文  参考訳（メタデータ） (2024-07-11T09:04:12Z)
• Hyperspectral Dataset and Deep Learning methods for Waste from Electric and Electronic Equipment Identification (WEEE) [0.0]
  ハイパースペクトル画像分割のための多種多様なディープラーニングアーキテクチャの性能を評価する。 その結果,空間情報をスペクトルデータと組み合わせることで,セグメンテーション結果が改善された。 我々は、Tecnalia WEEE Hyperspectralデータセットのクリーニングと公開によって、この分野に貢献する。
  論文  参考訳（メタデータ） (2024-07-05T13:45:11Z)
• Multimodal Deep Learning for Scientific Imaging Interpretation [0.0]
  本研究では,SEM(Scanning Electron Microscopy)画像と人間のような相互作用を言語的にエミュレートし,評価するための新しい手法を提案する。 本稿では,ピアレビュー記事から収集したテキストデータとビジュアルデータの両方から洞察を抽出する。 我々のモデル (GlassLLaVA) は, 正確な解釈, 重要な特徴の同定, 未確認のSEM画像の欠陥の検出に優れる。
  論文  参考訳（メタデータ） (2023-09-21T20:09:22Z)
• Diffusion-based Visual Counterfactual Explanations -- Towards Systematic Quantitative Evaluation [64.0476282000118]
  視覚的対物的説明法(VCE)の最新手法は、深い生成モデルの力を利用して、印象的な画質の高次元画像の新しい例を合成する。 評価手順が大きく異なり,個々の実例の視覚検査や小規模なユーザスタディなど,これらのVCE手法の性能を比較することは,現時点では困難である。 本稿では,VCE手法の体系的,定量的評価のためのフレームワークと,使用する指標の最小セットを提案する。
  論文  参考訳（メタデータ） (2023-08-11T12:22:37Z)
• End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics [61.44793171735013]
  本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。 我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
  論文  参考訳（メタデータ） (2023-05-17T17:43:10Z)
• PAC-NeRF: Physics Augmented Continuum Neural Radiance Fields for Geometry-Agnostic System Identification [64.61198351207752]
  ビデオからのシステム同定(オブジェクトの物理的パラメータを推定する)への既存のアプローチは、既知のオブジェクトジオメトリを仮定する。 本研究では,オブジェクトの形状やトポロジを仮定することなく,多視点ビデオの集合から物理系を特徴付けるパラメータを同定することを目的とする。 マルチビュービデオから高ダイナミックな物体の未知の幾何学的パラメータと物理的パラメータを推定するために,Physics Augmented Continuum Neural Radiance Fields (PAC-NeRF)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T18:59:50Z)
• Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
  古典力学の先行概念を機械学習モデルに統合する手法が提案されている。 これらのモデルの現在の機能について、精査する。 連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
  論文  参考訳（メタデータ） (2021-11-09T23:48:21Z)
• Hyperspectral Image Classification -- Traditional to Deep Models: A Survey for Future Prospects [0.6091702876917281]
  ハイパースペクトルイメージング(HSI)は多くの現実の用途で広く利用されている。 近年,Deep Learning (DL) は強力な特徴抽出器として確立されている。 本調査では,HSICにおけるDLの体系的概要と,そのトピックの最先端戦略の比較を行った。
  論文  参考訳（メタデータ） (2021-01-15T13:59:22Z)
• Image-Based Jet Analysis [2.5382095320488665]
  画像ベースのジェット解析は、高エネルギー物理学とコンピュータビジョンとディープラーニングの直接接続を可能にするジェット画像表現上に構築されている。 我々は,これらのモデルが学んだこと,不確実性に対する感受性を理解するための手法について検討する。 ジェットの分類以外にも,エネルギ推定,積み上げノイズ低減,データ生成,異常検出など,ジェット画像に基づく手法の応用について検討した。
  論文  参考訳（メタデータ） (2020-12-17T16:42:29Z)

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。