Nonparametric Dense-Object Detection Algorithm for Applications of Cosmic-Ray Muon Tomography
Notice bibliographique
Résumé
We present an algorithm that utilizes data generated by cosmic-ray muon-scattering tomography for passive nondestructive detection of dense objects. Our clustering-based approach uses a nonparametric statistical test based on a reference case to determine the presence of high-density high-$Z$ material, such as illicit nuclear material hidden inside a shipping canister. The algorithm outputs a single decision value for the absence or presence of illicit material without the need to perform a detailed visual tomographic reconstruction and/or the need to rely on human interpretation, in contrast to many other muon-based imaging techniques. The performance of the algorithm is demonstrated using experimental data obtained with the Cosmic-Ray Inspection and Passive Tomography detector from two setups consisting of a lead flask, a 55-gallon drum filled with sand, and 2 kg of metallic depleted uranium (DU). The results of these experiments illustrate that the high-density lead flask can be automatically distinguished from the background, with an area under the receiver-operating-characteristic curve (AUC) of 0.90 using less than 90 s of data; the lead flask with 2 kg of DU inside can be detected within the 55-gallon drum containing sand in under 5 min with an AUC of 0.91. Our experimental results illustrate the efficacy of this algorithm for the identification of dense objects using reference background measurements. Practical applications of this algorithm are discussed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».