一种用于气体漂移室中多径迹定位与定向的深度学习方法

在束流监测系统中精确测量单个粒子的位置与方向对多个学科的研究人员而言尤为重要。在可行的方法中，配备混合像素传感器的气体漂移室具有实现长期稳定且精度可观的测量的巨大潜力。本文引入深度学习来分析束流投影图像中的图案，以促进粒子径迹的三维重建。我们提出了一种基于分割与拟合的端到端神经网络，用于特征提取与回归。两个分割分支，即二值分割与语义分割，分别执行初始径迹判定与像素-径迹关联。随后像素被分配到多条径迹，并以全反向传播实现加权最小二乘拟合。此外，我们引入中心角度量，通过结合两个独立因素来判定位置与方向的精度。初始位置分辨率在单径迹下达到 8.8 $\mu m$，在 1-3 条径迹（1-5 条径迹）下分别达到 11.4 $\mu m$（15.2 $\mu m$），角度分辨率分别达到 0.15$^{\circ}$ 与 0.21$^{\circ}$（0.29$^{\circ}$）。这些结果表明，与传统方法相比，在精度与多径迹兼容性上均有显著提升。