Fugu-MT 論文翻訳(概要): DCTracks: An Open Dataset for Machine Learning-Based Drift Chamber Track Reconstruction

論文の概要: DCTracks: An Open Dataset for Machine Learning-Based Drift Chamber Track Reconstruction

arxiv url: http://arxiv.org/abs/2602.14571v1
Date: Mon, 16 Feb 2026 09:04:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-17 16:22:50.34401
Title: DCTracks: An Open Dataset for Machine Learning-Based Drift Chamber Track Reconstruction
Title（参考訳）: DCTracks: 機械学習に基づくドリフトチャンバートラック再構築のためのオープンデータセット
Authors: Qian Liyan, Zhang Yao, Yuan Ye, Zhang Zhaoke, Fang Jin, Jiang Shimiao, Zhang Jin, Li Ke, Liu Beijiang, Xu Chenglin, Zhang Yifan, Jia Xiaoqian, Qin Xiaoshuai, Huang Xingtao,
Abstract要約: 単線および二線ドリフトチャンバーイベントのモンテカルロ(MC)データセットを導入し,機械学習(ML)に基づくトラック再構築を推し進める。本稿では,従来のトラック再構成アルゴリズムとグラフニューラルネットワーク(GNN)手法について,トラック再構成固有の指標を定義し,その結果を報告する。
参考スコア（独自算出の注目度）: 1.895968263342806
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce a Monte Carlo (MC) dataset of single- and two-track drift chamber events to advance Machine Learning (ML)-based track reconstruction. To enable standardized and comparable evaluation, we define track reconstruction specific metrics and report results for traditional track reconstruction algorithms and a Graph Neural Networks (GNNs) method, facilitating rigorous, reproducible validation for future research.
Abstract（参考訳）: 単線および二線ドリフトチャンバーイベントのモンテカルロ(MC)データセットを導入し,機械学習(ML)に基づくトラック再構築を推し進める。そこで我々は,従来のトラック再構成アルゴリズムとグラフニューラルネットワーク(GNN)手法について,トラック再構成特定指標と結果の報告を定義し,厳密で再現可能な将来の研究の検証を容易にする。

関連論文リスト

DELTAv2: Accelerating Dense 3D Tracking [79.63990337419514]
本稿では,ビデオ中の高密度3次元点追跡を高速化するための新しいアルゴリズムを提案する。極小点の小さな部分集合で追跡を開始し、トラックされた軌道の集合を段階的に拡大する粗大な戦略を導入する。新たに追加されたトラジェクトリは学習可能なモジュールを使用しており、トラッキングネットワークとともにエンドツーエンドでトレーニングされている。
論文参考訳（メタデータ） (2025-08-02T03:15:47Z)
MCTrack: A Unified 3D Multi-Object Tracking Framework for Autonomous Driving [10.399817864597347]
本稿では,KITTI, nuScenes, データセット間でのSOTA(State-of-the-art)性能を実現する3Dマルチオブジェクトトラッキング手法であるMCTrackを紹介する。
論文参考訳（メタデータ） (2024-09-23T11:26:01Z)
Novel Approaches for ML-Assisted Particle Track Reconstruction and Hit Clustering [2.7999949281820276]
軌道再構成は高エネルギー物理学(HEP)の重要な側面であり、主要な実験において重要な役割を果たしている。我々は、簡易なシミュレータ(REDVID)を使用して、簡易性のために特別に構成されたトレーニングデータを生成する。我々は、ヒットシーケンスをヒットシーケンスとして扱い、シーケンス変換問題をトラックする。
論文参考訳（メタデータ） (2024-05-27T16:23:50Z)
Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文参考訳（メタデータ） (2023-12-22T02:12:08Z)
Sequential Monte Carlo Learning for Time Series Structure Discovery [17.964180907602657]
逐次モンテカルロとインボリューティブMCMCを統合した構造学習アルゴリズムを提案する。本手法は, 時系列に新しいデータを組み込んだ「オンライン」設定と, 「オフライン」設定の両方で使用することができる。
論文参考訳（メタデータ） (2023-07-13T16:38:01Z)
Sliding Window Neural Generated Tracking Based on Measurement Model [0.0]
本稿では,Kalmanフィルタが生成したトラックと,提案したニューラルネットワークが生成したトラックを最終的に比較することを目的とした,ドローンのトラック予測におけるフィードフォワードニューラルネットワークの有効性について検討する。提案するニューラルネットワークトラッカーのユニークな特徴は、トラックの次の状態を推定するために測定モデルのみを使用していることである。
論文参考訳（メタデータ） (2023-06-10T12:57:57Z)
Transforming Model Prediction for Tracking [109.08417327309937]
トランスフォーマーは、誘導バイアスの少ないグローバルな関係を捉え、より強力なターゲットモデルの予測を学ぶことができる。提案したトラッカーをエンドツーエンドにトレーニングし、複数のトラッカーデータセットに関する総合的な実験を行うことで、その性能を検証する。我々のトラッカーは3つのベンチマークで新しい技術状態を設定し、挑戦的なLaSOTデータセットで68.5%のAUCを達成した。
論文参考訳（メタデータ） (2022-03-21T17:59:40Z)
Self-Learning for Received Signal Strength Map Reconstruction with Neural Architecture Search [63.39818029362661]
ニューラルアーキテクチャサーチ(NAS)と受信信号強度(RSS)マップ再構築のための自己学習に基づくモデルを提案する。このアプローチは、まず最適なNNアーキテクチャを見つけ、与えられた(RSS)マップの地上実測値に対して同時に推論モデルを訓練する。実験結果から,この第2モデルの信号予測は,非学習に基づく最先端技術や,アーキテクチャ探索を伴わないNNモデルよりも優れていた。
論文参考訳（メタデータ） (2021-05-17T12:19:22Z)
PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文参考訳（メタデータ） (2021-03-17T08:28:30Z)

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。