論文の概要: Computer vision-based neural networks for radioisotope identification in urban environments
- arxiv url: http://arxiv.org/abs/2607.00270v1
- Date: Tue, 30 Jun 2026 23:35:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.662051
- Title: Computer vision-based neural networks for radioisotope identification in urban environments
- Title（参考訳）: 都市環境における放射性同位体識別のためのコンピュータビジョンベースニューラルネットワーク
- Abstract要約: モバイル都市検索シナリオにおけるラジオアイソトープ識別のためのアルゴリズムの開発は、大きな課題に直面している。
本稿では,リストモードのガンマ線データを二次元滝分光器に変換する機械学習手法を提案する。
我々は,Radiological Anomaly Detection and Identification (RADAI)ベンチマークデータセット上で,多層パーセプトロン(MLP),畳み込みニューラルネットワーク(CNN),視覚変換器(ViT)の3つのアーキテクチャを評価した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Algorithm development for radioisotope identification in mobile urban search scenarios face significant challenges from non-uniform backgrounds, momentary source encounters, and severe class imbalance between rare threat signatures and background measurements. We present a machine learning-based approach to this problem that converts list-mode gamma-ray data into two-dimensional waterfall spectrograms and applies computer vision architectures to the resulting images. Rather than treating waterfalls as conventional images, we employ a representation where consecutive time spectra can form input channels, similar to RGB channels in color images. This representation encodes both spectral and temporal information, enabling neural networks to more effectively learn patterns that distinguish source signatures from background fluctuations. We evaluate three architectures, a multilayer perceptron (MLP), convolutional neural network (CNN), and vision transformer (ViT), on the Radiological Anomaly Detection and Identification (RADAI) benchmark dataset. At a false positive rate of less than one false alarm per hour, our CNN outperforms the previous-best non-negative matrix factorization (NMF) method across all global metrics, achieving true detection, classification, and identification rates of 0.4334, 0.3965, and 0.2950 respectively, compared to 0.4151, 0.3611, and 0.2625 for NMF. At lower false positive rate constraints, the neural network approaches show comparable but ultimately lower performance than NMF, indicating opportunities for further research.
- Abstract（参考訳）: 移動都市検索シナリオにおけるラジオアイソトープ識別のためのアルゴリズムの開発は、一様でない背景、瞬間的な情報源遭遇、希少な脅威シグネチャと背景測定の間の深刻な階級不均衡から重要な課題に直面している。
本稿では,リストモードのガンマ線データを2次元の滝分光図に変換し,コンピュータビジョンアーキテクチャを画像に適用する機械学習手法を提案する。
ウォーターフォールを従来の画像として扱う代わりに、カラー画像のRGBチャネルと同様、連続した時間スペクトルが入力チャネルを形成する表現を用いる。
この表現はスペクトル情報と時間情報の両方を符号化し、ニューラルネットワークは背景変動からソースシグネチャを区別するパターンをより効果的に学習することができる。
我々は,Radiological Anomaly Detection and Identification (RADAI)ベンチマークデータセットを用いて,多層パーセプトロン(MLP),畳み込みニューラルネットワーク(CNN),視覚変換器(ViT)の3つのアーキテクチャを評価した。
我々のCNNは、1時間当たりの誤報率において、NMFの0.4151、0.3611、0.2625と比較して、すべての大域的な指標において、真に検出、分類、識別率0.4334、0.3965、0.2950を達成し、非負の行列分解(NMF)法よりも優れています。
偽陽性率の制約が低い場合には、ニューラルネットワークアプローチはNMFよりも同等だが最終的にパフォーマンスが低下し、さらなる研究の機会が示される。
関連論文リスト
- Implicit Neural Representations: A Signal Processing Perspective [54.57279006229212]
入射神経表現(INR)は、離散的なサンプルデータから連続的な機能的表現へと、信号モデリングの根本的な変化を示す。
本稿では、信号処理の観点からのINRの進化を考察し、スペクトル挙動、サンプリング理論、マルチスケール表現を強調する。
医療・レーダ画像の逆問題,圧縮,3次元シーン表現など,幅広い応用分野におけるINRの有用性を強調した。
論文 参考訳（メタデータ） (2026-04-16T14:12:06Z) - CT Scans As Video: Efficient Intracranial Hemorrhage Detection Using Multi-Object Tracking [0.9332987715848716]
本稿では,2次元検出の効率と3次元コンテキストの必要性を両立させる軽量コンピュータビジョンフレームワークを開発する。
計算コストのごく一部で3Dコンテキスト推論を近似することにより,リアルタイム患者優先化のためのスケーラブルなソリューションを提供する。
論文 参考訳（メタデータ） (2026-01-05T19:49:51Z) - Multimodal signal fusion for stress detection using deep neural networks: a novel approach for converting 1D signals to unified 2D images [0.0]
本研究では,マルチモーダルな信号光胸腺撮影,ガルバニック皮膚反応(GSR),アクセラレーション(ACC)を2次元画像行列に変換する新しい手法を提案する。
これらの信号を別々に処理したり、固定符号化に依存したりする従来の手法とは異なり、我々の手法はそれらを構造化画像表現に融合させる。
この画像ベースの変換は、解釈可能性を改善するだけでなく、データ拡張の堅牢な形式としても機能する。
論文 参考訳（メタデータ） (2025-09-17T02:18:51Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - Few-shot Learning using Data Augmentation and Time-Frequency
Transformation for Time Series Classification [6.830148185797109]
データ拡張による新しい数ショット学習フレームワークを提案する。
シークエンス・スペクトログラム・ニューラルネット(SSNN)も開発している。
本手法は,時系列分類における数ショット問題への対処法の適用性を実証する。
論文 参考訳（メタデータ） (2023-11-06T15:32:50Z) - Leveraging Neural Radiance Fields for Uncertainty-Aware Visual
Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。
レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文 参考訳（メタデータ） (2023-10-10T20:11:13Z) - Distributional loss for convolutional neural network regression and
application to GNSS multi-path estimation [0.0]
本研究では,畳み込みニューラルネットワークを用いて画像から高次特徴表現を抽出する。
本手法の評価と説明のために,GNSS(Global Navigation Satellite System)マルチパス推定に適用した。
その結果, 分散損失を用いたソフトラベリングCNN手法は, 全ての条件下での古典的CNN回帰よりも優れていた。
論文 参考訳（メタデータ） (2022-06-03T09:45:12Z) - An Adaptive Sampling and Edge Detection Approach for Encoding Static
Images for Spiking Neural Networks [0.2519906683279152]
スパイキングニューラルネットワーク(SNN)は、人工ニューラルネットワークの第3世代と考えられている。
本稿では,エッジ検出と適応信号サンプリング手法を用いて,静的画像を時間的スパイク列車に符号化する方法を提案する。
論文 参考訳（メタデータ） (2021-10-19T19:31:52Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳（メタデータ） (2020-11-17T12:52:18Z) - Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by
Spiking Neural Network [68.43026108936029]
雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。
このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。
実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
論文 参考訳（メタデータ） (2020-07-07T08:22:56Z)
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。