論文の概要: Contrastive Metric Learning for Point Cloud Segmentation in Highly Granular Detectors

• arxiv url: http://arxiv.org/abs/2603.23356v1
• Date: Tue, 24 Mar 2026 15:55:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.570847
• Title: Contrastive Metric Learning for Point Cloud Segmentation in Highly Granular Detectors
• Title（参考訳）: 高粒度検出器における点雲セグメンテーションのコントラストメトリック学習
• Authors: Max Marriott-Clarke, Lazar Novakovic, Elizabeth Ratzer, Robert J. Bainbridge, Loukas Gouskos, Benedikt Maier,
• Abstract要約: 教師付きコントラッシブ・メトリック・ラーニング(CML)に基づくポイントクラウドセグメンテーションのための新しいクラスタリング手法を提案する。 クラスタ割り当てやオブジェクト中心変数を予測するのではなく、同じオブジェクトに属するポイントが近くに埋め込まれた潜在表現を学習する。 クラスタは、学習された計量空間における密度ベースの読み出しを用いて再構成される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We propose a novel clustering approach for point-cloud segmentation based on supervised contrastive metric learning (CML). Rather than predicting cluster assignments or object-centric variables, the method learns a latent representation in which points belonging to the same object are embedded nearby while unrelated points are separated. Clusters are then reconstructed using a density-based readout in the learned metric space, decoupling representation learning from cluster formation and enabling flexible inference. The approach is evaluated on simulated data from a highly granular calorimeter, where the task is to separate highly overlapping particle showers represented as sets of calorimeter hits. A direct comparison with object condensation (OC) is performed using identical graph neural network backbones and equal latent dimensionality, isolating the effect of the learning objective. The CML method produces a more stable and separable embedding geometry for both electromagnetic and hadronic particle showers, leading to improved local neighbourhood consistency, a more reliable separation of overlapping showers, and better generalization when extrapolating to unseen multiplicities and energies. This translates directly into higher reconstruction efficiency and purity, particularly in high-multiplicity regimes, as well as improved energy resolution. In mixed-particle environments, CML maintains strong performance, suggesting robust learning of the shower topology, while OC exhibits significant degradation. These results demonstrate that similarity-based representation learning combined with density-based aggregation is a promising alternative to object-centric approaches for point cloud segmentation in highly granular detectors.
• Abstract（参考訳）: 教師付きコントラッシブ・メトリック・ラーニング(CML)に基づく,ポイントクラウドセグメンテーションのための新しいクラスタリング手法を提案する。 メソッドはクラスタ割り当てやオブジェクト中心変数を予測するのではなく、同じオブジェクトに属するポイントが近くに埋め込まれ、無関係なポイントが分離された潜在表現を学習する。 クラスタは、学習したメトリック空間における密度ベースの読み出しを使用して再構築され、クラスタ形成からの表現学習を分離し、柔軟な推論を可能にする。 この手法は、非常に粒度の高いカロリーメータからのシミュレーションデータに基づいて評価され、そこでは、高度に重なる粒子シャワーをカロリーメータのヒットセットとして分離する。 物体凝縮(OC)との直接比較は、同一のグラフニューラルネットワークのバックボーンと同一の潜在次元を用いて行われ、学習目標の効果を分離する。 CML法は、電磁およびハドロン粒子シャワーの双方に対してより安定で分離可能な埋め込み幾何学を生成し、局所的な近傍の一貫性の向上、重なり合うシャワーの分離の信頼性の向上、および目に見えない多重度やエネルギーへの外挿時の一般化の改善をもたらす。 これは直接的に高い再現効率と純度に変換され、特に高多重性体制ではエネルギー分解能が向上する。 混合粒子環境では、CMLは強い性能を維持し、シャワートポロジーの堅牢な学習を示唆し、OCは著しい劣化を示す。 これらの結果は、類似性に基づく表現学習と密度に基づく集約が、高粒度検出器における点雲セグメンテーションに対するオブジェクト中心のアプローチの代替として有望であることを示す。

関連論文リスト

• Manifold-Aligned Generative Transport [11.857867207010981]
  本稿では,低次元の基底分布からデータ空間への1ショットの多様体整列輸送を学習するフローライクな生成器を提案する。 我々は,拡散モデルよりもかなり高速なサンプリングを行いながら,合成データセットとベンチマークデータセット間での忠実度と多様体濃度を実証的に改善した。
  論文  参考訳（メタデータ） (2026-02-23T08:42:40Z)
• DiEC: Diffusion Embedded Clustering [0.76629754443761]
  ディープクラスタリングは、明確なクラスタ構造を公開する表現に依存します。 従来のほとんどのメソッドは、オートエンコーダや自己教師付きエンコーダによる単一の埋め込みを学び、クラスタリングの第一の表現として扱う。 本研究では,事前学習した拡散U-Netの中間活性化を直接利用して,この軌道を利用する教師なしクラスタリングフレームワークであるEmbed Diffusion Clustering (DiEC)を提案する。
  論文  参考訳（メタデータ） (2025-12-24T03:10:00Z)
• kFuse: A novel density based agglomerative clustering [9.061140802902514]
  本稿では,kFuseと呼ばれる密度に基づく凝集クラスタリング手法を提案する。 kFuse は,(1) 自然近傍におけるサブクラスタ分割,(2) 隣接するサンプルと最短距離の計算によるサブクラスタ間の境界接続の決定,(3) 平均密度と分散の計算によるサブクラスタ間の密度類似性の評価,の4つの重要な構成要素から構成される。 合成と実世界の両方のデータセットの実験結果から、kFuseの有効性が検証された。
  論文  参考訳（メタデータ） (2025-05-09T03:11:04Z)
• SHADE: Deep Density-based Clustering [13.629470968274]
  SHADEは密度接続性を損失関数に組み込む最初のディープクラスタリングアルゴリズムである。 ディープオートエンコーダの表現力で高次元および大規模データセットをサポートする。 これはクラスタリングの品質、特に非ガウスクラスタを含むデータにおいて、既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2024-10-08T18:03:35Z)
• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• GFDC: A Granule Fusion Density-Based Clustering with Evidential Reasoning [22.526274021556755]
  密度に基づくクラスタリングアルゴリズムは任意の形状のクラスタを検出できるため、広く適用されている。 本稿では,GFDCを用いた粒界融合密度クラスタリングを提案する。 サンプルの局所密度と大域密度は、まずスパース度測定によって測定される。 次に、情報グラニュラーを高密度および低密度領域に生成し、大きな密度差を持つクラスタの処理を支援する。
  論文  参考訳（メタデータ） (2023-05-20T06:27:31Z)
• Rethinking k-means from manifold learning perspective [122.38667613245151]
  平均推定なしで直接データのクラスタを検出する新しいクラスタリングアルゴリズムを提案する。 具体的には,バタワースフィルタを用いてデータ点間の距離行列を構成する。 異なる視点に埋め込まれた相補的な情報をうまく活用するために、テンソルのSchatten p-norm正規化を利用する。
  論文  参考訳（メタデータ） (2023-05-12T03:01:41Z)
• Density-Based Clustering with Kernel Diffusion [59.4179549482505]
  単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。 局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
  論文  参考訳（メタデータ） (2021-10-11T09:00:33Z)

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。