Dec, 2023

$μ$-Net: 基于 ConvNext 的 U-Net 用于宇宙宇子断层扫描

PDF
TL;DR通过开发一种新的双阶段深度学习算法，μ-Net，结合了 MLP 预测子中子轨迹和 ConvNeXt-based U-Net 将散射点转换为体素，实现了在 1024 个子中子剂量下达到 17.14 PSNR 的最新性能，超过传统的重建算法，如最近距点算法和最大似然和期望最大化算法，并发布了首个将子中子探测映射到体素的大规模数据集，我们希望这项研究能进一步探索深度学习在这一领域的潜力。
muon scattering tomographydeep learning algorithmvoxel reconstructionperformancelarge-scale dataset
发现论文，激发创造
  • Cosmic-CoNN：一种宇宙射线探测深度学习框架、数据集和工具包

    本文介绍了 Cosmic-CoNN，一种泛用宇宙射线探测器，其基于大规模数据集和深度学习模型，可以在多台地面望远镜上实现高效的宇宙射线探测。

    Jun, 2021

  • μ-Net: μ-CT 分割的基于深度学习的架构

    我们提出了一个使用卷积神经网络对鲫鱼心脏进行自动分割的新框架，该框架可以推断出样本的三维分割，从而避免了三维卷积神经网络的高计算成本，并且可以显著减少新样本分割所需的时间，实现对高分辨率鲫鱼心脏形状的快速微增强分析。

    Jun, 2024

  • NuGraph2：中微子物理事件重建的图神经网络

    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

  • 基于贝叶斯深度学习的修正引力宇宙体积

    使用具有不确定性估计的贝叶斯神经网络从修改引力模拟中提取宇宙学参数，优于传统神经网络的精确预测和校准不确定性估计

    Sep, 2023

  • 利用深度卷积框架形成 U-Net：应用于稀疏视角 CT

    本文旨在揭示 U-Net 的局限性并提出新的多分辨率深度学习方案，具体而言，我们通过实验表明，新的网络架构可以提供更好的重建性能，并且我们探讨了 U-Net 替代方案，如双框架和紧框架 U-Net 满足所谓的框条件，使其更好地实现高频边缘的有效恢复。

    Aug, 2017

  • 使用卷积神经网络提高稀疏视图肺癌 CT 图像的图像质量

    通过使用 U-Net 来改善稀疏视图计算机断层扫描图像的质量以进行肺癌检测，并确定视图数量、图像质量和诊断信心之间的最佳平衡。

    Jul, 2023

  • 卷积神经网络中微中子事件分类器

    本文描述了卷积神经网络（CNN）在粒子物理学领域的应用，尤其是在高能中微子物理学和高能物理学中通常使用的采样量热计中识别粒子相互作用问题上的应用，通过 CVN（卷积视觉网络）算法对中微子相互作用进行拓扑识别，不需要详细重建，优于目前 NOvA 协作组使用的算法。

    Apr, 2016

  • ReconU-Net: 采用反投影引起的跳跃连接的 U-Net 结构进行 PET 图像直接重建

    通过引入一种新的背投影诱导的 U-Net 形状的架构 ReconU-Net，本研究旨在使用基于深度学习的直接正电子发射断层扫描（PET）图像重建来改进重建图像的准确性，并通过与其他无跳跃连接的编码器 - 解码器架构进行比较，分析直接 PET 图像重建的行为并获得更深层次的洞察力。

    Dec, 2023

  • MinkUNeXt：基于稀疏三维卷积的基于点云的大规模地点识别

    MinkUNeXt 是一种基于 3D MinkNeXt Block 的高效有效的基于点云的地点识别架构，该架构通过 3D 稀疏卷积实现特征提取和聚合，并在测试中表现出优于其他方法的结果。

    Mar, 2024

  • 实时三维近场 MIMO 雷达成像的高效基于物理的学习重建方法

    通过开发深度学习重建方法，我们为实时近场多输入多输出（MIMO）雷达成像系统提供了一种新颖的非迭代重建方法，旨在在压缩设置下以较低的计算成本实现高质量图像。

    Dec, 2023