arXiv cs.AI· Max Marriott-Clarke, Lazar Novakovic, Elizabeth Ratzer, Robert J. Bainbridge, Loukas Gouskos, Benedikt Maier·· 3 天前AI 评分18
基于对比度量学习的点云分割方法在高粒度探测器中的应用
Contrastive Metric Learning for Point Cloud Segmentation in Highly Granular Detectors
AI 导读
研究提出基于监督对比度量学习（CML）的点云分割聚类方法，通过学习隐空间嵌入使同物体点聚集、无关点分离，再用密度读出重建簇。在模拟高粒度量能器数据上，与object condensation（OC）在相同图神经网络骨干和潜维度下对比，CML对电磁和强子簇产生更稳定可分的嵌入几何，在高多重数场景下重建效率和纯度更高，能量分辨率更优，混合粒子环境中OC性能显著退化。
正文 · AI 翻译
摘要：我们提出了一种基于监督对比度量学习（CML）的点云分割聚类新方法。该方法不预测聚类分配或面向对象的变量，而是学习一种潜在表示，使属于同一对象的点嵌入到相近位置，而不相关的点则相互分离。随后在学习到的度量空间中，使用基于密度的读出重建聚类，将表示学习与聚类形成解耦，从而实现灵活的推理。该方法在来自高粒度量能器的模拟数据上进行了评估，任务是将表示为量能器命中集合的高度重叠的粒子簇射分离开来。我们使用相同的图神经网络骨干和相等的潜在维度，与对象凝聚（OC）进行了直接比较，以隔离学习目标的影响。CML 方法为电磁和强子粒子簇射产生了更稳定、更可分离的嵌入几何，从而改善了局部邻域一致性，更可靠地分离重叠簇射，并在外推到未见过的多重数和能量时具有更好的泛化能力。这直接转化为更高的重建效率和纯度，特别是在高多重数情形下，以及改善的能量分辨率。在混合粒子环境中，CML 保持了强劲的性能，表明其稳健地学习了簇射拓扑，而 OC 则表现出显著退化。这些结果表明，基于相似性的表示学习与基于密度的聚合相结合，是高粒度探测器中点云分割的面向对象方法的一种有前景的替代方案。
| 评论： | 12 页，5 幅图 |
| 主题： | 高能物理 - 实验（hep-ex）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV）；机器学习（cs.LG） |
| 引用为： | arXiv:2603.23356 [hep-ex] |
| （或 arXiv:2603.23356v2 [hep-ex] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2603.23356 arXiv 颁发的 DOI 通过 DataCite |
|
| 期刊 参考： | PRX Intell. 1 (2026) 1, 013004 |
| 相关 DOI： | https://doi.org/10.1103/tsc6-gn3r
链接到相关资源的 DOI |
提交历史
来自：Benedikt Maier [查看电子邮件]
[v1]
2026 年 3 月 24 日星期二 15:55:36 UTC（158 KB）
[v2]
2026 年 10 月 13 日星期二 12:37:13 UTC（173 KB）
来源：arXiv cs.AI · arxiv.org