[论文解读] 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 7

一句话总结

该论文提出了一种基于稀疏卷积神经网络（SCNNs）的可扩展、无提议框的3D实例分割网络，用于液氩时间投影室（LArTPCs）中的像素聚类与粒子轨迹重建。该方法在PILArNet数据集上实现了96%的平均像素聚类效率与纯度，90%的粒子调整兰德指数（ARI）>92%，展现出当前最先进的性能。

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.

研究动机与目标

• 开发一种端到端可训练、可扩展的深度学习框架，用于LArTPC数据中的3D像素聚类，无需区域提议。
• 解决将3D图像像素准确分组为独立粒子实例以实现轨迹重建的挑战。
• 通过将聚类作为可微分、可学习的组件集成，实现数据重建链的完整优化。
• 提升复杂粒子拓扑结构（包括重叠轨迹、簇射和低能沉积）的重建精度。
• 提供可复现的开源解决方案，采用Singularity容器和公开数据集。

提出的方法

• 该方法采用稀疏卷积神经网络（SCNNs）高效处理来自LArTPC图像的稀疏3D体素网格。
• 利用可学习的嵌入空间表示像素特征，支持实例分割的端到端训练。
• 网络预测像素嵌入，通过后处理（如嵌入空间中的聚类）分配唯一的实例标签。
• 该架构在PILArNet数据集的蒙特卡洛模拟数据上进行端到端训练。
• 后处理步骤在预测的嵌入上应用聚类算法（如DBSCAN）以形成最终的粒子实例。
• 通过Singularity容器部署系统，确保在不同计算环境中可复现。

实验结果

研究问题

• RQ1 无提议框、端到端可训练的深度学习模型能否在LArTPC数据中实现高精度的3D像素聚类？
• RQ2 基于SCNN的嵌入网络在复杂粒子拓扑结构中的性能与传统聚类方法相比如何？
• RQ3 稀疏卷积在3D粒子重建中能在多大程度上实现可扩展性与效率？
• RQ4 在共线轨迹或重叠簇射等挑战性场景下，该模型的失败模式是什么？
• RQ5 该模型能否在不同粒子类型（包括轨迹（MIP、HIP）和簇射（EM））上实现高纯度与高效率的泛化？

主要发现

• 该模型在PILArNet数据集中所有粒子类型的平均像素聚类效率与纯度达到96%。
• 90%的粒子实例调整兰德指数（ARI）得分高于92%，表明聚类精度高。
• 对于轨迹类粒子（HIP与MIP），模型在聚类中实现了98%的效率与98%的纯度。
• 对于电磁簇射，模型实现了93%的效率与93%的纯度，挑战主要源于低能、分散的沉积。
• 在V100 GPU上，每事件的推理时间（不包括后处理）低于1秒，后处理平均耗时0.6秒。
• 失败案例包括重叠轨迹、共线轨迹以及低能簇射沉积错误合并到同一聚类，凸显了未来改进的潜在方向。