[논문 리뷰] Randomized Computer Vision Approaches for Pattern Recognition in Timepix and Timepix3 Detectors

Petr Mánek, B. Bergmann외 4명|arXiv (Cornell University)|2019. 11. 06.

Particle Detector Development and Performance참고 문헌 19인용 수 6

한 줄 요약

이 논문은 Timepix 및 Timepix3 검출기에서 패턴 인식을 위한 랜덤화된 컴퓨터 비전 알고리즘—RANSAC 기반 궤적 피팅, 수정된 허프 변환, k-NN 입자 식별—을 소개한다. ToT(시간-초과) 데이터를 활용하고 이진 임계값 처리를 회피함으로써, 클러스터 분할, 겹침 분리, 입자 식별에서 높은 정확도를 달성한다. RANSAC 피팅은 3 픽셀(165 μm) 이내이며, 기각 기반으로 93.5%의 정확도를 확보하며 90% 신뢰도에서 RR = 0.249를 기록한다.

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.

연구 동기 및 목표

• 이진 임계값 처리에 의존하고 밀도가 높고 겹치는 클러스터에서 어려움을 겪는 전통적인 형태학적 클러스터링의 한계를 해결한다.
• 기존 방법에서 요구하는 희박성 가정을 극복한다. 특히 프레임 점유율이 높은 고유량 환경(예: 우주 또는 입자 가속기)에서의 적용을 고려한다.
• 전체 ToT 강도 정보를 활용해 궤적 재구성 및 입자 식별 정확도를 향상시키는 강건하고 실시간 구현이 가능한 알고리즘을 개발한다.
• Timepix3의 ToA 및 ToT 기능을 활용해 2차원 방법을 3차원 점군 재구성으로 일반화함으로써 다차원 분석을 가능하게 한다.
• 실시간 또는 임베디드 시스템에 배포 가능한 정확도 및 복잡도에 대한 확률적 보장을 제공한다.

제안 방법

• 랜덤 샘플링을 통한 RANSAC(Random Sample Consensus)의 적응적 적용을 통해 궤적 피팅을 랜덤화한다. 랜덤 픽셀 쌍을 샘플링하여 선의 파라미터를 추정하고, 내부점 수에 기반해 반복적으로 개선한다.
• 겹침 입자 궤적을 탐지하기 위해 수정된 허프 변환을 도입한다. 픽셀 클러스터를 매개변수 공간으로 변환하고, 개별 궤적에 해당하는 피크를 식별한다.
• 강도 가중 클러스터에서 추출한 공간적 및 형태학적 특징을 기반으로 k-NN 분류기를 개발하며, 근접한 이웃의 클래스 분포에 기반한 신뢰도 점수를 제공한다.
• 이진 임계값 처리 대신 ToT 값을 강도 입력으로 사용함으로써 에너지 침착 정보를 유지하고 입자 유형 간 구분 능력을 향상시킨다.
• k-NN 분류기에서 신뢰도 기반 기각을 구현한다. 낮은 신뢰도 예측은 기각하여 오류율을 감소시키지만, 출력 커버리지가 감소한다.
• 3차원 공간으로의 RANSAC 프레임워크 일반화를 위해 공간 좌표와 ToT 가중 점을 활용해 선 피팅을 3차원으로 확장함으로써 Timepix3 데이터에서 3차원 궤적 재구성을 가능하게 한다.

실험 결과

연구 질문

• RQ1 랜덤화된 컴퓨터 비전 알고리즘이 전통적인 형태학적 방법에 비해 Timepix 검출기 프레임에서 궤적 피팅 정확도를 어떻게 향상시키는가?
• RQ2 고프레임 점유율 조건에서 제안된 RANSAC 기반 방법이 겹치는 입자 궤적을 분리하는 데 어떤 성능을 보이는가?
• RQ3 ToT 강도 데이터의 포함 여부가 이진 임계값 처리 대비 입자 식별 정확도에 어떤 영향을 미치는가?
• RQ4 k-NN 분류기에서 신뢰도 임계값을 적용할 경우 정확도와 기각률 사이의 상충 관계는 어떻게 나타나는가?
• RQ5 제안된 알고리즘은 Timepix3의 도착 시간 및 초과 시간 데이터를 활용해 3차원 재구성에 얼마나 잘 일반화되는가?

주요 결과

• SA-RANSAC는 입자 입사 및 탈출 지점 식별에서 평균 오차가 3 픽셀(165 μm) 이내였으며, 방위각 방향 정확도는 2.9도 이내였다.
• 수정된 허프 알고리즘은 최대 20개의 겹치는 궤적을 포함한 프레임에서도 궤적을 정확히 재구성하여 고밀도 클러스터에 대한 강건성을 입증했다.
• 신뢰도 기반 기각을 적용한 k-NN를 통한 입자 식별은 90% 신뢰도 임계값(c = 0.9)에서 93.5%의 정확도를 기록했으며, 기각률은 24.9%였다.
• 기각 없이 적용한 k-NN 분류기는 16개의 샘플링 간격을 사용해 89.3%의 정확도를 달성했으며, 더 높은 신뢰도 임계값일수록 정확도가 향상되었다.
• 알고리즘은 노이즈 및 고입력 유량에 강건하여, 우주 또는 이온 치료와 같은 예측 불가능한 환경에서 실시간 응용에 적합함을 입증했다.
• Timepix3 데이터를 대상으로 일반화된 RANSAC를 적용한 π-입자 궤적의 3차원 재구성은 신뢰할 수 있는 선형 피팅을 보여주어, 본 방법의 고차원 확장 가능성과 타당성을 확인했다.