卷积神经网络中微中子事件分类器
本研究提出了一种有利于评估不同卷积神经网络体系结构的系统性语言,该语言能够在训练前进行比较,本研究使用该语言在两个具体的基于计算机视觉的物理问题上,解决了事件顶点查找和强子多重性分类问题,同时提取了优化网络架构中的几个架构属性,使用机器学习模型对其进行了预测。
Jan, 2020
利用液体氩时间投影室(LArTPC)探测器技术进行粒子重建是本文描述的主要技术,使用了基于图神经网络(Graph Neural Network,GNN)的 NuGraph2 算法对模拟中微子相互作用进行低级重建,同时提供了高效的背景过滤和语义标记方法,旨在用于中微子物理学中的粒子重建。
Mar, 2024
本研究探讨了在量子计算环境中使用多尺度纠缠重整化 ANSATZ 计算的量子卷积神经网络 (QCNN) 和将 QCNN 层添加到现有的 CNN 学习模型中以提高性能的方法,并通过与 TensorFlow Quantum 平台中使用的 MNIST 数据集的训练验证了 QCNN 模型的高效学习能力。
Sep, 2020
采用神经网络对 TUS 荧光望远镜的数据进行分类,证明即使是简单的神经网络结合某些传统数据分析方法也可以在荧光望远镜的数据分类任务中具有高效性。
Jun, 2021
本文简要介绍了卷积神经网络(CNN),讨论了最近发表的论文和开发这些出色的图像识别模型的新技术。CNN 主要用于解决难以处理的图像驱动的模式识别任务,并采用精确而简单的结构,为人工神经网络提供了一个简化方法。
Nov, 2015
本文提出一种基于深度神经网络的新型架构 OS-CNN,分解为物体和场景两个网络,分别从物体和场景的角度提取有用信息,设计了不同的网络架构,最终提出了一种 5 个流 CNN 的解决方案,在 ChaLearn Looking at People (LAP) challenge 2015 比赛中取得了 85.5% 的性能并排名第 1。
May, 2015
利用卷积神经网络 (CNN) 架构对时间序列伽马射线谱进行分类,以实现辐射检测系统对于安全或环境测量目的。瀑布图被解释为一幅单色图像,并采用标准基于图像的 CNN 技术,以发现数据中特征的时序方面。同时,将 CNN 架构和结果与传统技术进行比较,这样的图像处理技术的结果将被介绍,并与更传统的应适应方法进行比较。
Aug, 2019
本文使用深度神经网络进行图像分类,无需专家特征即可区分大型强子对撞机数据中的单一强子粒子喷注和多重粒子喷注,效果与现有分析方法相当或略优。
Mar, 2016