用于液氩时间投影室中3D像素聚类与粒子径迹重建的可扩展无提议实例分割网络
仪器与探测器
2020-07-08 v1 计算机视觉与模式识别
图像与视频处理
摘要
液氩时间投影室（LArTPCs）是高分辨率粒子成像探测器，被基于加速器的中微子振荡实验用于高精度物理测量。尽管粒子径迹图像对物理学家而言直观易分析，但开发高质量自动化数据重建链仍具挑战性。最关键的重建步骤之一是粒子聚类：将3D图像像素分组为共享同一粒子类型的不同粒子实例的任务。本文中，我们提出首个使用稀疏卷积神经网络（SCNN）的LArTPC数据粒子聚类可扩展深度学习算法。基于先前关于SCNN与无提议实例分割的工作，我们构建了一个端到端可训练的实例分割网络，学习图像像素的嵌入以在变换空间中执行点云聚类。我们在公开3D粒子成像数据集PILArNet上针对常用聚类评估指标基准测试了算法性能。3D像素成功聚类为独立粒子径迹，其中90%的调整兰德指数得分大于92%，平均像素聚类效率与纯度高于96%。本工作有助于开发LArTPC的端到端可优化完整数据重建链，特别是基于像素的3D成像探测器，包括深地下中微子实验的近探测器。我们的算法发布于开放获取仓库，并共享Singularity软件容器，可用于在数据集上复现我们的工作。
引用
@article{arxiv.2007.03083,
title = {Scalable, Proposal-free Instance Segmentation Network for 3D Pixel Clustering and Particle Trajectory Reconstruction in Liquid Argon Time Projection Chambers},
author = {Dae Heun Koh and Pierre Côte de Soux and Laura Dominé and François Drielsma and Ran Itay and Qing Lin and Kazuhiro Terao and Ka Vang Tsang and Tracy Usher},
journal= {arXiv preprint arXiv:2007.03083},
year = {2020}
}