Optimization of the clustering algorithm of the CYGNO experiment
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Tipo de documento: | Tese |
Idioma: | eng |
Título da fonte: | Repositório Institucional da UFJF |
Texto Completo: | https://repositorio.ufjf.br/jspui/handle/ufjf/12364 |
Resumo: | Em geral, a tarefa de agrupar objetos em imagens pode ser simples e vários algoritmos foram desenvolvidos para esse fim. No entanto, o desempenho de tais algoritmos precisa ser entendido nos ambientes específicos da aplicação e, adicionamente, quando se trata de identificação de eventos raros, com baixa relação sinal-ruído, torna-se ainda mais necessário o estudo e, eventualmente, a otimização desses algoritmos considerando as particularidades do problema enfrentado, como no caso do experimento CYGNO que está desenvolvendo um novo sistema de detecção de partículas baseado em TPC com uma Triple-GEM acoplada a um sensor CMOS de baixo ruído e alta resolução espacial. Neste contexto, dois dos algoritmos de agrupamento mais citados na literatura científica conhecidos como Density-Based Spatial Clustering of Applications with Noise (DBSCAN) e Nearest Neighbor Clustering (NNC) foram avaliados no ambiente do CYGNO. Fazendo-se uso deste estudo, este trabalho de tese oferece uma proposta de adaptação do algoritmo do DBSCAN, denominada intensidade-DBSCAN (iDBSCAN), e faz um estudo comparativo entre os métodos estudados. Uma descrição do algoritmo iDBSCAN, incluindo teste e validação de seus parâmetros, e uma comparação com o próprio DBSCAN e o NNC utilizando-se de dados adquiridos com um dos protótipos do detector CYGNO serão apresentadas. Os resultados mostram que a versão adaptada do DBSCAN é capaz de fornecer eficiência de detecção similar aos algoritmos clássicos avaliados e, ao mesmo tempo, melhorar a resolução de energia e a rejeição de fundo do detector. |
id |
UFJF_ee9ed30eb96a563b7d9f44e98e7d8486 |
---|---|
oai_identifier_str |
oai:hermes.cpd.ufjf.br:ufjf/12364 |
network_acronym_str |
UFJF |
network_name_str |
Repositório Institucional da UFJF |
repository_id_str |
|
spelling |
Nóbrega, Rafael Antuneshttp://lattes.cnpq.br/9217577296048418Pinci, Davidehttp://lattes.cnpq.br/Kemp, Ernestohttp://lattes.cnpq.br/6158036609486608Silva, Leandro Rodrigues Mansohttp://lattes.cnpq.br/1421239770201461Mazzitelli, Giovannihttp://lattes.cnpq.br/Cerqueira, Augusto Santiagohttp://lattes.cnpq.br/http://lattes.cnpq.br/0457548532296002Costa, Igor Abritta2021-02-23T16:24:29Z2021-02-232021-02-23T16:24:29Z2020-11-16https://repositorio.ufjf.br/jspui/handle/ufjf/12364Em geral, a tarefa de agrupar objetos em imagens pode ser simples e vários algoritmos foram desenvolvidos para esse fim. No entanto, o desempenho de tais algoritmos precisa ser entendido nos ambientes específicos da aplicação e, adicionamente, quando se trata de identificação de eventos raros, com baixa relação sinal-ruído, torna-se ainda mais necessário o estudo e, eventualmente, a otimização desses algoritmos considerando as particularidades do problema enfrentado, como no caso do experimento CYGNO que está desenvolvendo um novo sistema de detecção de partículas baseado em TPC com uma Triple-GEM acoplada a um sensor CMOS de baixo ruído e alta resolução espacial. Neste contexto, dois dos algoritmos de agrupamento mais citados na literatura científica conhecidos como Density-Based Spatial Clustering of Applications with Noise (DBSCAN) e Nearest Neighbor Clustering (NNC) foram avaliados no ambiente do CYGNO. Fazendo-se uso deste estudo, este trabalho de tese oferece uma proposta de adaptação do algoritmo do DBSCAN, denominada intensidade-DBSCAN (iDBSCAN), e faz um estudo comparativo entre os métodos estudados. Uma descrição do algoritmo iDBSCAN, incluindo teste e validação de seus parâmetros, e uma comparação com o próprio DBSCAN e o NNC utilizando-se de dados adquiridos com um dos protótipos do detector CYGNO serão apresentadas. Os resultados mostram que a versão adaptada do DBSCAN é capaz de fornecer eficiência de detecção similar aos algoritmos clássicos avaliados e, ao mesmo tempo, melhorar a resolução de energia e a rejeição de fundo do detector.In general, the task of clustering objects in images might be simple and several algorithms have been developed for this purpose. However, the performance of such algorithms needs to be understood in the specific environments of the application and, additionally, when it comes to the identification of rare events, with low signal-to-noise ratio, it becomes even more necessary to study and, eventually, optimization of these algorithms considering the particularities of the problem faced, as in the case of the CYGNO experiment that is developing a new detection system based on a TPC Triple GEM detector coupled to a low noise and high spatial resolution CMOS sensor. In this context, two of the most commonly mentioned clustering algorithms in the scientific literature known as Density-Based Spatial Clustering of Applications with Noise (DBSCAN) and Nearest Neighbor Clustering (NNC) were evaluated in the CYGNO environment. Using this study, this thesis work offers a proposal to adapt the DBSCAN algorithm, called intensity-DBSCAN (iDBSCAN), and makes a comparative study between the methods studied. A description of the iDBSCAN algorithm, including testing and validating its parameters, and a comparison with the DBSCAN itself and the NNC using data acquired with one of the CYGNO detector prototypes will be presented. The achieved results show that the adapted version of DBSCAN is capable of providing a detection efficiency as good as those obtained with the classical algorithms and, at the same time, improve the energy resolution and background rejection of the detectorengUniversidade Federal de Juiz de Fora (UFJF)Programa de Pós-graduação em Engenharia ElétricaUFJFBrasilFaculdade de EngenhariaAttribution 3.0 Brazilhttp://creativecommons.org/licenses/by/3.0/br/info:eu-repo/semantics/openAccessCNPQ::ENGENHARIAS::ENGENHARIA ELETRICAProcessamento de imagensDBSCANAnalise de imagesExperimento de física de partículasPreprocessingImage analysisDBSCANParticle physics experimentOptimization of the clustering algorithm of the CYGNO experimentinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisreponame:Repositório Institucional da UFJFinstname:Universidade Federal de Juiz de Fora (UFJF)instacron:UFJFORIGINALigorabrittacosta.pdfigorabrittacosta.pdfPDF/Aapplication/pdf17530777https://repositorio.ufjf.br/jspui/bitstream/ufjf/12364/1/igorabrittacosta.pdf9fd8adec66471656f0bd61f02623e754MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8914https://repositorio.ufjf.br/jspui/bitstream/ufjf/12364/2/license_rdf4d2950bda3d176f570a9f8b328dfbbefMD52LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.ufjf.br/jspui/bitstream/ufjf/12364/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD53TEXTigorabrittacosta.pdf.txtigorabrittacosta.pdf.txtExtracted texttext/plain107732https://repositorio.ufjf.br/jspui/bitstream/ufjf/12364/4/igorabrittacosta.pdf.txt5d5bf26cbf4bbad502ba866d7076c95cMD54THUMBNAILigorabrittacosta.pdf.jpgigorabrittacosta.pdf.jpgGenerated Thumbnailimage/jpeg1147https://repositorio.ufjf.br/jspui/bitstream/ufjf/12364/5/igorabrittacosta.pdf.jpgd5df06debdf5fd21d254b8c7a92c71f3MD55ufjf/123642021-02-24 03:09:01.491oai:hermes.cpd.ufjf.br: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Repositório InstitucionalPUBhttps://repositorio.ufjf.br/oai/requestopendoar:2021-02-24T06:09:01Repositório Institucional da UFJF - Universidade Federal de Juiz de Fora (UFJF)false |
dc.title.pt_BR.fl_str_mv |
Optimization of the clustering algorithm of the CYGNO experiment |
title |
Optimization of the clustering algorithm of the CYGNO experiment |
spellingShingle |
Optimization of the clustering algorithm of the CYGNO experiment Costa, Igor Abritta CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Processamento de imagens DBSCAN Analise de images Experimento de física de partículas Preprocessing Image analysis DBSCAN Particle physics experiment |
title_short |
Optimization of the clustering algorithm of the CYGNO experiment |
title_full |
Optimization of the clustering algorithm of the CYGNO experiment |
title_fullStr |
Optimization of the clustering algorithm of the CYGNO experiment |
title_full_unstemmed |
Optimization of the clustering algorithm of the CYGNO experiment |
title_sort |
Optimization of the clustering algorithm of the CYGNO experiment |
author |
Costa, Igor Abritta |
author_facet |
Costa, Igor Abritta |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Nóbrega, Rafael Antunes |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/9217577296048418 |
dc.contributor.advisor-co1.fl_str_mv |
Pinci, Davide |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/ |
dc.contributor.referee1.fl_str_mv |
Kemp, Ernesto |
dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/6158036609486608 |
dc.contributor.referee2.fl_str_mv |
Silva, Leandro Rodrigues Manso |
dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/1421239770201461 |
dc.contributor.referee3.fl_str_mv |
Mazzitelli, Giovanni |
dc.contributor.referee3Lattes.fl_str_mv |
http://lattes.cnpq.br/ |
dc.contributor.referee4.fl_str_mv |
Cerqueira, Augusto Santiago |
dc.contributor.referee4Lattes.fl_str_mv |
http://lattes.cnpq.br/ |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/0457548532296002 |
dc.contributor.author.fl_str_mv |
Costa, Igor Abritta |
contributor_str_mv |
Nóbrega, Rafael Antunes Pinci, Davide Kemp, Ernesto Silva, Leandro Rodrigues Manso Mazzitelli, Giovanni Cerqueira, Augusto Santiago |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Processamento de imagens DBSCAN Analise de images Experimento de física de partículas Preprocessing Image analysis DBSCAN Particle physics experiment |
dc.subject.por.fl_str_mv |
Processamento de imagens DBSCAN Analise de images Experimento de física de partículas Preprocessing Image analysis DBSCAN Particle physics experiment |
description |
Em geral, a tarefa de agrupar objetos em imagens pode ser simples e vários algoritmos foram desenvolvidos para esse fim. No entanto, o desempenho de tais algoritmos precisa ser entendido nos ambientes específicos da aplicação e, adicionamente, quando se trata de identificação de eventos raros, com baixa relação sinal-ruído, torna-se ainda mais necessário o estudo e, eventualmente, a otimização desses algoritmos considerando as particularidades do problema enfrentado, como no caso do experimento CYGNO que está desenvolvendo um novo sistema de detecção de partículas baseado em TPC com uma Triple-GEM acoplada a um sensor CMOS de baixo ruído e alta resolução espacial. Neste contexto, dois dos algoritmos de agrupamento mais citados na literatura científica conhecidos como Density-Based Spatial Clustering of Applications with Noise (DBSCAN) e Nearest Neighbor Clustering (NNC) foram avaliados no ambiente do CYGNO. Fazendo-se uso deste estudo, este trabalho de tese oferece uma proposta de adaptação do algoritmo do DBSCAN, denominada intensidade-DBSCAN (iDBSCAN), e faz um estudo comparativo entre os métodos estudados. Uma descrição do algoritmo iDBSCAN, incluindo teste e validação de seus parâmetros, e uma comparação com o próprio DBSCAN e o NNC utilizando-se de dados adquiridos com um dos protótipos do detector CYGNO serão apresentadas. Os resultados mostram que a versão adaptada do DBSCAN é capaz de fornecer eficiência de detecção similar aos algoritmos clássicos avaliados e, ao mesmo tempo, melhorar a resolução de energia e a rejeição de fundo do detector. |
publishDate |
2020 |
dc.date.issued.fl_str_mv |
2020-11-16 |
dc.date.accessioned.fl_str_mv |
2021-02-23T16:24:29Z |
dc.date.available.fl_str_mv |
2021-02-23 2021-02-23T16:24:29Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufjf.br/jspui/handle/ufjf/12364 |
url |
https://repositorio.ufjf.br/jspui/handle/ufjf/12364 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
Attribution 3.0 Brazil http://creativecommons.org/licenses/by/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution 3.0 Brazil http://creativecommons.org/licenses/by/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Juiz de Fora (UFJF) |
dc.publisher.program.fl_str_mv |
Programa de Pós-graduação em Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
UFJF |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Faculdade de Engenharia |
publisher.none.fl_str_mv |
Universidade Federal de Juiz de Fora (UFJF) |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFJF instname:Universidade Federal de Juiz de Fora (UFJF) instacron:UFJF |
instname_str |
Universidade Federal de Juiz de Fora (UFJF) |
instacron_str |
UFJF |
institution |
UFJF |
reponame_str |
Repositório Institucional da UFJF |
collection |
Repositório Institucional da UFJF |
bitstream.url.fl_str_mv |
https://repositorio.ufjf.br/jspui/bitstream/ufjf/12364/1/igorabrittacosta.pdf https://repositorio.ufjf.br/jspui/bitstream/ufjf/12364/2/license_rdf https://repositorio.ufjf.br/jspui/bitstream/ufjf/12364/3/license.txt https://repositorio.ufjf.br/jspui/bitstream/ufjf/12364/4/igorabrittacosta.pdf.txt https://repositorio.ufjf.br/jspui/bitstream/ufjf/12364/5/igorabrittacosta.pdf.jpg |
bitstream.checksum.fl_str_mv |
9fd8adec66471656f0bd61f02623e754 4d2950bda3d176f570a9f8b328dfbbef 8a4605be74aa9ea9d79846c1fba20a33 5d5bf26cbf4bbad502ba866d7076c95c d5df06debdf5fd21d254b8c7a92c71f3 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFJF - Universidade Federal de Juiz de Fora (UFJF) |
repository.mail.fl_str_mv |
|
_version_ |
1813193875973472256 |