[論文レビュー] Randomized Computer Vision Approaches for Pattern Recognition in Timepix and Timepix3 Detectors

Petr Mánek, B. Bergmann+4 more|arXiv (Cornell University)|Nov 6, 2019

Particle Detector Development and Performance参考文献 19被引用数 6

ひとこと要約

本稿では、TimepixおよびTimepix3検出器におけるパターン認識のための確率的コンピュータビジョンアルゴリズム—RANSACに基づく軌道フィッティング、修正版ハフ変換、k-NN粒子識別—を紹介する。ToT（時間超過閾値）データを活用し、二値化閾値処理を回避することで、クラスタ分離、重複分離、粒子IDにおいて高い精度を達成した。RANSACフィッティングでは3ピクセル（165 μm）以内の誤差を達成し、90%信頼水準における拒否率（RR = 0.249）で粒子識別精度が93.5%に達した。

ABSTRACT

Timepix and Timepix3 are hybrid pixel detectors ($256 imes 256$ pixels), capable of tracking ionizing particles as isolated clusters of pixels. To efficiently analyze such clusters at potentially high rates, we introduce multiple randomized pattern recognition algorithms inspired by computer vision. Offering desirable probabilistic bounds on accuracy and complexity, the presented methods are well-suited for use in real-time applications, and some may even be modified to tackle trans-dimensional problems. In Timepix detectors, which do not support data-driven acquisition, they have been shown to correctly separate clusters of overlapping tracks. In Timepix3 detectors, simultaneous acquisition of Time-of-Arrival (ToA) and Time-over-Threshold (ToT) pixel data enables reconstruction of the depth, transitioning from 2D to 3D point clouds. The presented algorithms have been tested on simulated inputs, test beam data from the Heidelberg Ion therapy Center and the Super Proton Synchrotron and were applied to data acquired in the MoEDAL and ATLAS experiments at CERN.

研究の動機と目的

• 二値化閾値処理に依存する従来の形態的クラスタリング手法の限界を解消すること。特に、密な重複クラスタに対して困難を示す点を改善する。
• 従来の手法が必要とするスパarsity仮定を克服すること。特に、フレーム占有率が高い宇宙空間や加速器のような高フラックス環境において有効であることを目指す。
• 全ToT強度情報を活用する、高精度な軌道再構成および粒子識別を実現する、耐障害的かつリアルタイム対応可能なアルゴリズムの開発。
• Timepix3のToAおよびToT機能を活用して、2次元手法を3次元点群再構成に一般化し、多次元解析を可能にする。
• リアルタイムまたは組み込みシステムへの導入に適した、精度および計算量に関する確率的保証を提供する。

提案手法

• ランダムピクセルペアのサンプリングに基づくRANSAC（ランダムサンプル共感）の適応による、確率的軌道フィッティング。線のパラメータを推定し、インライヤ数に基づいて反復的に最適化する。
• 重複する粒子軌道を検出するための修正版ハフ変換の導入。ピクセルクラスタをパラメータ空間に変換し、個別の軌道に対応するピークを同定する。
• 強度加重クラスタから抽出した空間的および形態的特徴量を用いたk-NN分類器の開発。類似クラスの近傍分布に基づく信頼度スコアを採用。
• 二値化閾値処理ではなく、ToT値を強度入力として使用。これによりエネルギー付加情報が保持され、粒子種別の区別精度が向上する。
• k-NN分類器における信頼度ベースの拒否処理の実装。低信頼度予測は除外され、誤差率の低減が図られるが、出力カバレッジは低下する。
• 3次元空間における線フィッティングへのRANSACフレームワークの一般化。空間座標とToT加重点を用い、Timepix3データからの3次元軌道再構成を可能にする。

実験結果

リサーチクエスチョン

• RQ1 確率的コンピュータビジョンアルゴリズムは、従来の形態的手法と比較して、Timepix検出器フレームにおける軌道フィッティング精度をどのように向上させるか？
• RQ2 高フレーム占有率下において、提案されたRANSACベースの手法は、重複する粒子軌道の分離にどの程度の性能を示すか？
• RQ3 ToT強度データの導入は、二値化閾値処理手法と比較して、粒子識別精度にどのような影響を与えるか？
• RQ4 k-NN分類器に信頼度閾値を適用する際の、分類精度と拒否率のトレードオフはいかなるものか？
• RQ5 提案されたアルゴリズムは、Timepix3の到着時刻（ToA）および時間超過閾値（ToT）データを用いて、3次元再構成にどの程度一般化可能か？

主な発見

• SA-RANSACは、粒子の進入および脱出点の特定において平均3ピクセル（165 μm）の誤差を達成し、方位角方向の精度は2.9度以内であった。
• 修正版ハフアルゴリズムは、最大20本の重複軌道を含むフレームにおいても、正確に軌道を再構成できた。これは、高密度クラスタに対して高い耐障害性を示している。
• 信頼度ベースの拒否処理を施したk-NNによる粒子識別は、90%信頼水準（c = 0.9）で93.5%の精度を達成し、拒否率は24.9%であった。
• 拒否処理なしでは、16個のサンプリングインターバルを用いたk-NN分類器が89.3%の精度を達成。信頼度閾値が高くなるほど精度が向上した。
• ノイズおよび高入力フラックスに対して耐障害的であることが実証され、宇宙やイオン線治療のような予測不能な環境におけるリアルタイム応用に適していることが示された。
• Timepix3データを用いた一般化RANSACによるπ粒子軌道の3次元再構成では、信頼性の高い線形フィッティングが確認され、本手法の高次元へのスケーラビリティが裏付けられた。