面向稀疏局部稠密液氩时间投影室数据可扩展深度卷积神经网络
高能物理 - 实验
2020-07-15 v3 计算机视觉与模式识别
摘要
深度卷积神经网络（CNNs）在包括液氩时间投影室（LArTPC）等粒子成像探测器的许多科学数据分析中展现出强劲前景。然而 LArTPC 数据的高稀疏性对为照片等稠密数据设计的传统 CNNs 构成挑战。在 LArTPC 数据上朴素应用 CNNs 导致计算效率低下，且对如短基线中微子计划与深地下中微子实验等大型 LArTPC 探测器可扩展性差。近来子流形稀疏卷积网络（SSCNs）被提出以应对此挑战。我们报告其在模拟 LArTPC 样本 3D 语义分割任务上的性能。与标准 CNNs 相比，我们观测到推理的计算内存与挂钟时间成本分别降低 364 与 33 倍且无精度损失。对 2D 样本相同因子分别为 93 与 3.1。使用 SSCN，我们提出首个基于机器学习、利用公开 3D LArTPC 样本重建 Michel 电子的方法。我们发现 Michel 电子识别效率为 93.9%，真正率为 96.7%。重建的 Michel 电子团簇平均像素聚类效率为 95.4%、纯度为 95.5%。结果有力地展示了面向大规模 LArTPC 探测器的深度神经网络可扩展数据重建技术的强劲前景。
引用
@article{arxiv.1903.05663,
title = {Scalable Deep Convolutional Neural Networks for Sparse, Locally Dense Liquid Argon Time Projection Chamber Data},
author = {Laura Dominé and Kazuhiro Terao},
journal= {arXiv preprint arXiv:1903.05663},
year = {2020}
}
备注
Corrected URL to dataset Corrected figures and numbers