論文の概要: Heterogeneous Point Set Transformers for Segmentation of Multiple View Particle Detectors

• arxiv url: http://arxiv.org/abs/2510.09659v1
• Date: Tue, 07 Oct 2025 16:00:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.52856
• Title: Heterogeneous Point Set Transformers for Segmentation of Multiple View Particle Detectors
• Title（参考訳）: 多視点粒子検出器のセグメンテーションのための不均一点集合変換器
• Authors: Edgar E. Robles, Dikshant Sagar, Alejandro Yankelevich, Jianming Bian, Pierre Baldi, NOvA Collaboration,
• Abstract要約: NOvAはフェルミラブのNuMIビームからニュートリノ粒子を検出する実験である。 データは3D表現ではなく、XZとYZビューの2つのスパース2D画像として表現される。 本稿では,スパース行列で操作する点集合ニューラルネットワークと,両ビューからの情報を混合する操作を提案する。
• 参考スコア（独自算出の注目度）: 39.361214583075146
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: NOvA is a long-baseline neutrino oscillation experiment that detects neutrino particles from the NuMI beam at Fermilab. Before data from this experiment can be used in analyses, raw hits in the detector must be matched to their source particles, and the type of each particle must be identified. This task has commonly been done using a mix of traditional clustering approaches and convolutional neural networks (CNNs). Due to the construction of the detector, the data is presented as two sparse 2D images: an XZ and a YZ view of the detector, rather than a 3D representation. We propose a point set neural network that operates on the sparse matrices with an operation that mixes information from both views. Our model uses less than 10% of the memory required using previous methods while achieving a 96.8% AUC score, a higher score than obtained when both views are processed independently (85.4%).
• Abstract（参考訳）: NOvAは、フェルミラブのNuMIビームからニュートリノ粒子を検出する長いベースラインニュートリノ振動実験である。 この実験のデータが分析に使用される前に、検出器内の生のヒットを元の粒子と一致させ、それぞれの粒子のタイプを特定する必要がある。 このタスクは、従来のクラスタリングアプローチと畳み込みニューラルネットワーク(CNN)を併用して、一般的に行われている。 検出器の構築により、データは3D表現ではなく、XZとYZビューの2つのスパース2D画像として表現される。 本稿では,スパース行列で操作する点集合ニューラルネットワークと,両ビューからの情報を混合する操作を提案する。 我々のモデルは、従来の手法で必要なメモリの10%未満を使用し、96.8%のAUCスコアを達成し、どちらのビューも独立して処理されたときよりも高いスコア(85.4%)を得られる。

関連論文リスト

• Evaluation of EAS directions based on TAIGA HiSCORE data using fully connected neural networks [0.0]
  我々は,モンテカルロシミュレーションによるTAIGA HiSCOREデータをガンマ量子としてトレーニングした人工ニューラルネットワークを用いて,シャワー方向推定を行う。 最終推定値の平均誤差は0.25度未満である。
  論文  参考訳（メタデータ） (2025-02-19T16:12:37Z)
• Particle identification with machine learning from incomplete data in the ALICE experiment [3.046689922445082]
  ALICEは、約100MeV/cから20GeV/cまでの運動量を持つ粒子の複数の検出器を介してPID情報を提供する。 機械学習(ML)メソッドで、はるかに優れたパフォーマンスを実現することができる。 本稿では,MLプロジェクトとALICE分析ソフトウェアの統合について紹介し,ドメイン適応について論じる。
  論文  参考訳（メタデータ） (2024-03-26T07:05:06Z)
• Interpretable Joint Event-Particle Reconstruction for Neutrino Physics at NOvA with Sparse CNNs and Transformers [124.29621071934693]
  本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。 TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。 このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
  論文  参考訳（メタデータ） (2023-03-10T20:36:23Z)
• Boosting 3D Object Detection by Simulating Multimodality on Point Clouds [51.87740119160152]
  本稿では,LiDAR 画像検出器に追従する特徴や応答をシミュレートすることで,単一モダリティ (LiDAR) 3次元物体検出器を高速化する新しい手法を提案する。 このアプローチでは、単一モダリティ検出器をトレーニングする場合のみ、LiDARイメージデータを必要とし、十分にトレーニングされた場合には、推論時にのみLiDARデータが必要である。 nuScenesデータセットの実験結果から,本手法はSOTA LiDARのみの3D検出器よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-06-30T01:44:30Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• From One to Many: A Deep Learning Coincident Gravitational-Wave Search [58.720142291102135]
  単一検出器からの非スピン型二元ブラックホールデータに基づいてトレーニングされたニューラルネットワークを用いて、二元ブラックホールの融合から重力波を2検出器で探索する。 これらの単純な2検出器ネットワークはいずれも、検出器のデータに個別にネットワークを適用するよりも感度を向上させることができない。
  論文  参考訳（メタデータ） (2021-08-24T13:25:02Z)
• Towards a method to anticipate dark matter signals with deep learning at the LHC [58.720142291102135]
  ニューラルネットワークを用いた簡易暗黒物質モデルとそのシグネチャをLHCで検討した。 通常のモノジェットと逆エネルギーチャネルの欠如に焦点を当てるが、アルゴリズムを訓練するためには、イベント・バイ・イベント・アレーの代わりに2Dヒストグラムでデータを整理する。 これにより、標準モデル(SM)のみとSMと新しい物理信号とを区別する性能が大きく向上する。
  論文  参考訳（メタデータ） (2021-05-25T15:38:13Z)
• Clustering of Electromagnetic Showers and Particle Interactions with Graph Neural Networks in Liquid Argon Time Projection Chambers Data [4.653747487703939]
  液体アルゴン時間射影チャンバー(Liquid Argon Time Projection Chambers、LArTPC)は、荷電粒子の高解像度画像を生成する検出器である。 異なる粒子の超構造へのクラスター化は、現在と将来のニュートリノ物理学計画において中心的な重要性を持つ。 本稿ではグラフニューラルネットワーク(GNN)を用いて,EMシャワーフラグメントの隣接行列を予測し,シャワーの発生源を同定する。
  論文  参考訳（メタデータ） (2020-07-02T18:32:25Z)

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。