論文の概要: A multicategory jet image classification framework using deep neural network

• arxiv url: http://arxiv.org/abs/2407.03524v1
• Date: Wed, 3 Jul 2024 22:00:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-08 19:41:16.742914
• Title: A multicategory jet image classification framework using deep neural network
• Title（参考訳）: ディープニューラルネットワークを用いた多カテゴリージェット画像分類フレームワーク
• Authors: Jairo Orozco Sandoval, Vidya Manian, Sudhir Malik,
• Abstract要約: 著者らは、粒子とジェットの特徴抽出によるジェットカテゴリー分離性に注目し、その結果、ジェット分類のための計算効率の良い解釈可能なモデルを生み出した。 この研究は、分離可能な潜在空間で表される高次元データセットがジェット分類のためのより単純なアーキテクチャをもたらすことを示した。
• 参考スコア（独自算出の注目度）: 0.9350546589421261
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Jet point cloud images are high dimensional data structures that needs to be transformed to a separable feature space for machine learning algorithms to distinguish them with simple decision boundaries. In this article, the authors focus on jet category separability by particle and jet feature extraction, resulting in more efficient training of a simple deep neural network, resulting in a computational efficient interpretable model for jet classification. The methodology is tested with three to five categories of jets from the JetNet benchmark jet tagging dataset, resulting in comparable performance to particle flow network. This work demonstrates that high dimensional datasets represented in separable latent spaces lead to simpler architectures for jet classification.
• Abstract（参考訳）: ジェットポイントクラウド画像は、単純な決定境界で区別するために、機械学習アルゴリズムのために分離可能な機能空間に変換する必要がある高次元データ構造である。 本稿では, 粒子とジェットの特徴抽出によるジェットカテゴリー分離性に着目し, より効率的な深層ニューラルネットワークの訓練を行い, ジェット分類のための計算効率の良い解釈可能なモデルを構築した。 この手法はJetNetベンチマークジェットタグデータセットから3～5カテゴリのジェットを用いて試験され、結果として粒子フローネットワークに匹敵する性能が得られた。 この研究は、分離可能な潜在空間で表される高次元データセットがジェット分類のためのより単純なアーキテクチャをもたらすことを示した。

関連論文リスト

• StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
  StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。 我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2023-03-28T08:21:44Z)
• PointResNet: Residual Network for 3D Point Cloud Segmentation and Classification [18.466814193413487]
  ポイントクラウドのセグメンテーションと分類は、3Dコンピュータビジョンの主要なタスクである。 本稿では,残差ブロックベースアプローチであるPointResNetを提案する。 我々のモデルは、セグメント化と分類タスクのためのディープニューラルネットワークを用いて、3Dポイントを直接処理する。
  論文  参考訳（メタデータ） (2022-11-20T17:39:48Z)
• Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
  本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。 合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。 本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
  論文  参考訳（メタデータ） (2022-11-20T15:49:11Z)
• CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point Cloud Learning [81.85951026033787]
  この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。 また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。 提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
  論文  参考訳（メタデータ） (2022-07-31T21:39:15Z)
• Particle Transformer for Jet Tagging [4.604003661048267]
  ジェットタグのための新しい包括的データセットであるJetClassを提示する。 データセットは100Mジェットで構成され、既存の公開データセットよりも約2桁大きい。 我々は、ParT(Particle Transformer)と呼ばれるジェットタグのためのトランスフォーマーベースの新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-02-08T10:36:29Z)
• FS-Net: Fast Shape-based Network for Category-Level 6D Object Pose Estimation with Decoupled Rotation Mechanism [49.89268018642999]
  6次元ポーズ推定のための効率的なカテゴリレベルの特徴抽出が可能な高速形状ベースネットワーク(FS-Net)を提案する。 提案手法は,カテゴリレベルおよびインスタンスレベルの6Dオブジェクトのポーズ推定における最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-03-12T03:07:24Z)
• Sequence-based Machine Learning Models in Jet Physics [0.0]
  シーケンス・ベース・モデリング(Sequence-based modeling)とは、入力要素の順序づけられた集合として表されるデータに作用するアルゴリズムを指す。 特に、シーケンスを入力とする機械学習アルゴリズムは、自然言語処理(NLP)や音声信号モデリングといった重要な問題に成功している。 我々は、ジェットの分類、ジェット関連量の回帰、物理に着想を得たジェット表現を構築するために、リカレントニューラルネットワーク(RNN)や他のシーケンスベースのニューラルネットワークアーキテクチャの適用について検討する。
  論文  参考訳（メタデータ） (2021-02-09T16:04:33Z)
• 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)
• Jet tagging in the Lund plane with graph networks [0.0]
  LundNetは、グラフニューラルネットワークとジェット内の放射パターンの効率的な記述に依存する、新しいジェットタグ手法である。 従来の最先端アルゴリズムと比較して,トップタグ処理の性能は大幅に向上した。
  論文  参考訳（メタデータ） (2020-12-15T19:00:01Z)
• Learning Hybrid Representations for Automatic 3D Vessel Centerline Extraction [57.74609918453932]
  3次元医用画像からの血管の自動抽出は血管疾患の診断に不可欠である。 既存の方法では、3次元画像からそのような細い管状構造を分割する際に、抽出された容器の不連続に悩まされることがある。 抽出された船舶の連続性を維持するためには、地球的幾何学を考慮に入れる必要があると論じる。 この課題を解決するためのハイブリッド表現学習手法を提案します。
  論文  参考訳（メタデータ） (2020-12-14T05:22:49Z)
• Local Grid Rendering Networks for 3D Object Detection in Point Clouds [98.02655863113154]
  CNNは強力だが、全点の雲を高密度の3Dグリッドに酸化した後、点データに直接畳み込みを適用するのは計算コストがかかる。 入力点のサブセットの小さな近傍を低解像度の3Dグリッドに独立してレンダリングする,新しい,原理化されたローカルグリッドレンダリング(LGR)演算を提案する。 ScanNetとSUN RGB-Dデータセットを用いた3次元オブジェクト検出のためのLGR-Netを検証する。
  論文  参考訳（メタデータ） (2020-07-04T13:57:43Z)

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。

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。