[論文レビュー] Scalable, Proposal-free Instance Segmentation Network for 3D Pixel Clustering and Particle Trajectory Reconstruction in Liquid Argon Time Projection Chambers

Dae Heun Koh, Pierre Côte de Soux+7 more|arXiv (Cornell University)|Jul 6, 2020

Advanced Neural Network Applications参考文献 2被引用数 7

ひとこと要約

本論文は、液体アルゴン時間投影 chamber（LArTPC）における3次元ピクセルクラスタリングおよび粒子軌道再構成のため、スパース畳み込みニューラルネットワーク（SCNN）を用いたスケーラブルでプロポーザルフリーのインスタンスセグメンテーションネットワークを提案する。この手法は、ピクセルクラスタリングの効率と純度が96%に達し、90%の粒子が調整ランズ係数（ARI）>92%を示し、PILArNetデータセットにおいて最先端の性能を示している。

ABSTRACT

Liquid Argon Time Projection Chambers (LArTPCs) are high resolution particle imaging detectors, employed by accelerator-based neutrino oscillation experiments for high precision physics measurements. While images of particle trajectories are intuitive to analyze for physicists, the development of a high quality, automated data reconstruction chain remains challenging. One of the most critical reconstruction steps is particle clustering: the task of grouping 3D image pixels into different particle instances that share the same particle type. In this paper, we propose the first scalable deep learning algorithm for particle clustering in LArTPC data using sparse convolutional neural networks (SCNN). Building on previous works on SCNNs and proposal free instance segmentation, we build an end-to-end trainable instance segmentation network that learns an embedding of the image pixels to perform point cloud clustering in a transformed space. We benchmark the performance of our algorithm on PILArNet, a public 3D particle imaging dataset, with respect to common clustering evaluation metrics. 3D pixels were successfully clustered into individual particle trajectories with 90% of them having an adjusted Rand index score greater than 92% with a mean pixel clustering efficiency and purity above 96%. This work contributes to the development of an end-to-end optimizable full data reconstruction chain for LArTPCs, in particular pixel-based 3D imaging detectors including the near detector of the Deep Underground Neutrino Experiment. Our algorithm is made available in the open access repository, and we share our Singularity software container, which can be used to reproduce our work on the dataset.

研究の動機と目的

• 領域プロポーザルを必要としないエンドツーエンドで学習可能なスケーラブルなディーパンラーニングフレームワークを、LArTPCデータにおける3次元ピクセルクラスタリングに開発すること。
• 軌道再構成のため、3次元画像ピクセルを個別の粒子インスタンスに正確にグループ化する課題に対処すること。
• クラスタリングを微分可能で学習可能なコンponentとして統合することで、データ再構成チェーンの完全な最適化を可能にすること。
• 重なったトラック、シャワー、低エネルギー沈殿を含む複雑な粒子トポロジーの再構成精度を向上させること。
• シングュラリティコンテナと公開データセットを用いた再現可能でオープンソースのソリューションを提供すること。

提案手法

• 本手法は、LArTPC画像から得られるスパースな3次元ボクセルグリッドを効率的に処理するため、スパース畳み込みニューラルネットワーク（SCNN）を採用する。
• ピクセル特徴を表現するための学習可能な埋め込み空間を用い、インスタンスセグメンテーションのためのエンドツーエンド学習を可能にする。
• ネットワークはピクセル埋め込みを予測し、後処理（例：埋め込み空間でのクラスタリング）により一意なインスタンスラベルを割り当てる。
• アーキテクチャは、PILArNetデータセットからのモンテカルロシミュレーションデータ上でエンドツーエンドで学習される。
• 後処理ステップとして、予測された埋め込みに対してクラスタリングアルゴリズム（例：DBSCAN）を適用し、最終的な粒子インスタンスを形成する。
• 再現性を確保するため、システムはシングュラリティコンテナを介してデプロイされる。

実験結果

リサーチクエスチョン

• RQ1 プロポーザルフリーでエンドツーエンドで学習可能なディーパンラーニングモデルは、LArTPCデータにおける高精度な3次元ピクセルクラスタリングを達成できるか？
• RQ2 SCNNベースの埋め込みネットワークの性能は、複雑な粒子トポロジーにおいて、従来のクラスタリング手法と比べてどのように異なるか？
• RQ3 スパース畳み込みは、3次元粒子再構成においてスケーラビリティと効率性をどの程度実現できるか？
• RQ4 共線的なトラックや重なったシャワーのような困難な状況において、モデルの失敗モードは何か？
• RQ5 モデルは、トラック（MIP、HIP）とシャワー（EM）を含むさまざまな粒子種別に対して、高い純度と効率で一般化できるか？

主な発見

• モデルはPILArNetデータセットの全粒子種別において、平均ピクセルクラスタリング効率と純度が96%に達した。
• 90%の粒子インスタンスが調整ランズ係数（ARI）92%以上を示し、高いクラスタリング精度を示した。
• トラックに類似した粒子（HIPおよびMIP）に対して、クラスタリング効率98%、純度98%を達成した。
• 電磁シャワーに対しては、効率93%、純度93%を達成したが、低エネルギーで分散した沈殿が原因で課題が生じた。
• V100 GPU上では、イベント1件あたりの推論時間は0.6秒（後処理を除く）未満であり、後処理は平均0.6秒を要した。
• 失敗事例には、重なったトラック、共線的な軌道、低エネルギーシャワーの沈殿が誤って結合してクラスタに統合される現象があり、今後の改善の余地を示している。