深度学习与IACT：利用领域自适应弥合蒙特卡洛模拟与LST-1数据之间的差距
天体物理仪器与方法
2024-03-21 v1
摘要
切伦科夫望远镜阵列天文台（CTAO）是下一代利用大气切伦科夫成像技术研究甚高能伽马射线的天文台。在模拟数据上，部署深度学习方法重建入射粒子的物理属性已展现出有前景的结果。然而，将这种方法过渡到观测数据面临挑战，因为基于深度学习的模型容易受到领域偏移的影响。在本文中，我们将领域自适应集成到CTAO的物理背景中，并利用LST-1的实际采集数据，阐明了这些技术带来的性能提升。
引用
@article{arxiv.2403.13633,
title = {Deep Learning and IACT: Bridging the gap between Monte-Carlo simulations and LST-1 data using domain adaptation},
author = {Michael Dellaiera and Cyann Plard and Thomas Vuillaume and Alexandre Benoit and Sami Caroff},
journal= {arXiv preprint arXiv:2403.13633},
year = {2024}
}