×

复杂货物中二维被动源检测的深度学习。 (英语) Zbl 1451.81400号

摘要:高噪声环境中的源检测方法对于单光子发射计算机断层扫描医学成像非常重要,对于国土安全应用尤其重要,这是我们的主要兴趣所在。在后一种情况下,被动检测具有显著背景噪声(信噪比为1%或更低)的低排放核源的存在。在被动发射问题中,需要方向敏感探测器,以匹配图像和数据的维数。标准Anger(伽玛)相机中用于此目的的准直不是一个选项。相反,可以使用康普顿(伽马)照相机(及其与其他类型辐射的类似物)。两位作者及其合作者之前提出的反投影方法能够在存在随机均匀背景的情况下进行检测。然而,在大多数实际应用中,货运集装箱和卡车中的货物包装会产生强吸收和散射区域,同时留下一些流动间隙。在这种情况下,反投影方法被证明是无效的,并且失去了检测能力。尽管如此,对反投影图像的视觉感知表明,数据中可能仍存在一些源的迹象。为了学习这些特征(如果确实存在),在2D中实现了深度神经网络方法,该方法在低散射情况下确实比反投影技术表现出更高的灵敏度和特异性,并且在复杂货物的存在导致反投影完全失败时工作良好。

理学硕士:

81V80型 量子光学
81U05型 \(2)-体势量子散射理论
94A08型 信息和通信理论中的图像处理(压缩、重建等)
65D19号 计算机和机器人视觉中的计算问题
65纳米50 涉及偏微分方程的边值问题的网格生成、细化和自适应方法
90B25型 运筹学中的可靠性、可用性、维护和检查
92 C55 生物医学成像和信号处理
PDF格式BibTeX公司 XML格式引用

参考文献:

[1] Abadi M等人2015 Tensorflow:异构系统上的大规模机器学习
[2] Allmaras M、Darrow D、Hristova Y、Kanschat G和Kuchment P 2013探测小型低辐射源反问题成像7 47·兹比尔1266.82083
[3] Allmaras M、Ciabatti A、Hristova Y、Kuchment P、Olson A和Ragusa J 2016小型低排放源的被动检测:二维数值案例研究Nucl。科学。工程184 125
[4] Antun V、Renna F、Poon C、Adcock B和Hansen A C 2020关于图像重建中深度学习的不稳定性和AI Proc的潜在成本。美国国家科学院。科学。201907377
[5] Baines W、Kuchment P和Ragusa J 2020 arXiv:2003.04089
[6] Chen G、Esch G、Wonka P、Müller P和Zhang E 2008交互式程序街道建模ACM Trans。图27 1
[7] Cholet F 2015 Keras GitHub公司https://github.com/fchollet/keras
[8] Gal Y和Ghahramani Z 2016年退出作为贝叶斯方法:在深度学习过程中表示模型不确定性。第33届国际机器学习大会第48卷(纽约:JMLR)
[9] Goodfellow I、Bengio Y和Courville A 2016深度学习(马萨诸塞州剑桥:麻省理工学院出版社)·兹比尔1373.68009
[10] Jones E等人2001 SciPy:Python的开源科学工具http://scipy.org/
[11] Kingma D P和Ba J 2015 Adam:一种用于学习表示的随机优化国际会议的方法
[12] Lewis E E和Miller W F 1984中子输运计算方法(纽约:Wiley)
[13] Liu W、Wang Z、Liu X、Zeng N、Liu Y和Alsaadi F E 2017深度神经网络结构及其应用综述Neurocomputing234 11
[14] MacFarlane R和Muir D 1994 NJOY核数据处理系统第91版(新墨西哥州洛斯阿拉莫斯:洛斯阿拉莫斯科学实验室)
[15] Natterer F 2001计算机断层成像数学(宾夕法尼亚州费城:SIAM)·Zbl 0973.92020号
[16] Perlin K 1985图像合成器程序。第12届计算机图形和交互技术年度会议第10卷第287页
[17] Reed W H和Hill T R 1973中子输运方程的三角网格方法核系统分析数学模型和计算技术国家专题会议洛斯阿拉莫斯报告LA-UR-73-479(洛斯阿拉莫斯,新墨西哥州:洛斯阿拉莫斯科学实验室)
[18] Sánchez R和Ragusa J 2011关于galerkin角求积Nucl的构造。科学。工程169 133
[19] Santi P A 2013年洛斯阿拉莫斯核材料被动无损检测报告LA-UR-73-479(洛斯阿拉莫斯,新墨西哥州:洛斯阿拉莫科学实验室)
[20] Sidky E Y、Lorente I、Brankov J G和Pan X 2020 CNN是否解决了CT逆问题?(arXiv:2005.10755)
[21] Terzioglu F、Kuchment P和Kunyansky L 2018康普顿相机成像和圆锥体变换:简单概述反问题34 054002·Zbl 1478.68410号
[22] Wareing T A、McGee J M、Morel J E和Pautz S D 2001三维非结构网格上的间断有限元SN方法Nucl。科学。工程138 256
[23] Wu K、Otoo E和Shoshani A 2005优化连接元件标记算法Medical Imaging 2005:Image Processingvol 5747 p 1965
[24] Xun X、Mallick B、Carroll R J和Kuchment P 2011检测小型低排放源的贝叶斯方法反问题27 115009·Zbl 1228.62035号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。