Data Unfolding with Wiener-SVD Method

1 code implementation • 9 May 2017 • W. Tang, X. Li, X. Qian, H. Wei, C. Zhang

Data unfolding is a common analysis technique used in HEP data analysis.

Data Analysis, Statistics and Probability High Energy Physics - Experiment Nuclear Experiment

Ionization Electron Signal Processing in Single Phase LArTPCs I. Algorithm Description and Quantitative Evaluation with MicroBooNE Simulation

1 code implementation • 23 Feb 2018 • MicroBooNE collaboration, C. Adams, R. An, J. Anthony, J. Asaadi, M. Auger, L. Bagby, S. Balasubramanian, B. Baller, C. Barnes, G. Barr, M. Bass, F. Bay, A. Bhat, K. Bhattacharya, M. Bishai, A. Blake, T. Bolton, L. Camilleri, D. Caratelli, R. Castillo Fernandez, F. Cavanna, G. Cerati, H. Chen, Y. Chen, E. Church, D. Cianci, E. Cohen, G. H. Collin, J. M. Conrad, M. Convery, L. Cooper-Troendle, J. I. Crespo-Anadon, M. Del Tutto, D. Devitt, A. Diaz, S. Dytman, B. Eberly, A. Ereditato, L. Escudero Sanchez, J. Esquivel, J. J. Evans, A. A. Fadeeva, B. T. Fleming, W. Foreman, A. P. Furmanski, D. Garcia-Gamez, G. T. Garvey, V. Genty, D. Goeldi, S. Gollapinni, E. Gramellini, H. Greenlee, R. Grosso, R. Guenette, P. Guzowski, A. Hackenburg, P. Hamilton, O. Hen, J. Hewes, C. Hill, J. Ho, G. A. Horton-Smith, A. Hourlier, E. -C. Huang, C. James, J. Jan de Vries, L. Jiang, R. A. Johnson, J. Joshi, H. Jostlein, Y. -J. Jwa, D. Kaleko, G. Karagiorgi, W. Ketchum, B. Kirby, M. Kirby, T. Kobilarcik, I. Kreslo, Y. Li, A. Lister, B. R. Littlejohn, S. Lockwitz, D. Lorca, W. C. Louis, M. Luethi, B. Lundberg, X. Luo, A. Marchionni, S. Marcocci, C. Mariani, J. Marshall, D. A. Martinez Caicedo, A. Mastbaum, V. Meddage, T. Miceli, G. B. Mills, A. Mogan, J. Moon, M. Mooney, C. D. Moore, J. Mousseau, M. Murphy, R. Murrells, D. Naples, P. Nienaber, J. Nowak, O. Palamara, V. Pandey, V. Paolone, A. Papadopoulou, V. Papavassiliou, S. F. Pate, Z. Pavlovic, E. Piasetzky, D. Porzio, G. Pulliam, X. Qian, J. L. Raaf, V. Radeka, A. Rafique, L. Rochester, M. Ross-Lonergan, C. Rudolf von Rohr, B. Russell, D. W. Schmitz, A. Schukraft, W. Seligman, M. H. Shaevitz, J. Sinclair, A. Smith, E. L. Snider, M. Soderberg, S. Soldner-Rembold, S. R. Soleti, P. Spentzouris, J. Spitz, J. St. John, T. Strauss, K. Sutton, S. Sword-Fehlberg, A. M. Szelc, N. Tagg, W. Tang, K. Terao, M. Thomson, C. Thorn, M. Toups, Y. -T. Tsai, S. Tufanli, T. Usher, W. Van De Pontseele, R. G. Van de Water, B. Viren, M. Weber, H. Wei, D. A. Wickremasinghe, K. Wierman, Z. Williams, S. Wolbers, T. Wongjirad, K. Woodruff, T. Yang, G. Yarbrough, L. E. Yates, B. Yu, G. P. Zeller, J. Zennamo, C. Zhang

We describe the concept and procedure of drifted-charge extraction developed in the MicroBooNE experiment, a single-phase liquid argon time projection chamber (LArTPC).

Instrumentation and Detectors High Energy Physics - Experiment Nuclear Experiment

A Deep Neural Network for Pixel-Level Electromagnetic Particle Identification in the MicroBooNE Liquid Argon Time Projection Chamber

no code implementations • 22 Aug 2018 • MicroBooNE collaboration, C. Adams, M. Alrashed, R. An, J. Anthony, J. Asaadi, A. Ashkenazi, M. Auger, S. Balasubramanian, B. Baller, C. Barnes, G. Barr, M. Bass, F. Bay, A. Bhat, K. Bhattacharya, M. Bishai, A. Blake, T. Bolton, L. Camilleri, D. Caratelli, I. Caro Terrazas, R. Carr, R. Castillo Fernandez, F. Cavanna, G. Cerati, Y. Chen, E. Church, D. Cianci, E. Cohen, G. H. Collin, J. M. Conrad, M. Convery, L. Cooper-Troendle, J. I. Crespo-Anadon, M. Del Tutto, D. Devitt, A. Diaz, K. Duffy, S. Dytman, B. Eberly, A. Ereditato, L. Escudero Sanchez, J. Esquivel, J. J. Evans, A. A. Fadeeva, R. S. Fitzpatrick, B. T. Fleming, D. Franco, A. P. Furmanski, D. Garcia-Gamez, G. T. Garvey, V. Genty, D. Goeldi, S. Gollapinni, O. Goodwin, E. Gramellini, H. Greenlee, R. Grosso, R. Guenette, P. Guzowski, A. Hackenburg, P. Hamilton, O. Hen, J. Hewes, C. Hill, G. A. Horton-Smith, A. Hourlier, E. -C. Huang, C. James, J. Jan de Vries, L. Jiang, R. A. Johnson, J. Joshi, H. Jostlein, Y. -J. Jwa, G. Karagiorgi, W. Ketchum, B. Kirby, M. Kirby, T. Kobilarcik, I. Kreslo, Y. Li, A. Lister, B. R. Littlejohn, S. Lockwitz, D. Lorca, W. C. Louis, M. Luethi, B. Lundberg, X. Luo, A. Marchionni, S. Marcocci, C. Mariani, J. Marshall, J. Martin-Albo, D. A. Martinez Caicedo, A. Mastbaum, V. Meddage, T. Mettler, G. B. Mills, K. Mistry, A. Mogan, J. Moon, M. Mooney, C. D. Moore, J. Mousseau, M. Murphy, R. Murrells, D. Naples, P. Nienaber, J. Nowak, O. Palamara, V. Pandey, V. Paolone, A. Papadopoulou, V. Papavassiliou, S. F. Pate, Z. Pavlovic, E. Piasetzky, D. Porzio, G. Pulliam, X. Qian, J. L. Raaf, A. Rafique, L. Rochester, M. Ross-Lonergan, C. Rudolf von Rohr, B. Russell, D. W. Schmitz, A. Schukraft, W. Seligman, M. H. Shaevitz, R. Sharankova, J. Sinclair, A. Smith, E. L. Snider, M. Soderberg, S. Soldner-Rembold, S. R. Soleti, P. Spentzouris, J. Spitz, J. St. John, T. Strauss, K. Sutton, S. Sword-Fehlberg, A. M. Szelc, N. Tagg, W. Tang, K. Terao, M. Thomson, R. T. Thornton, M. Toups, Y. -T. Tsai, S. Tufanli, T. Usher, W. Van De Pontseele, R. G. Van de Water, B. Viren, M. Weber, H. Wei, D. A. Wickremasinghe, K. Wierman, Z. Williams, S. Wolbers, T. Wongjirad, K. Woodruff, T. Yang, G. Yarbrough, L. E. Yates, G. P. Zeller, J. Zennamo, C. Zhang

We have developed a convolutional neural network (CNN) that can make a pixel-level prediction of objects in image data recorded by a liquid argon time projection chamber (LArTPC) for the first time.

Neutrino Event Selection in the MicroBooNE Liquid Argon Time Projection Chamber using Wire-Cell 3-D Imaging, Clustering, and Charge-Light Matching

no code implementations • 2 Nov 2020 • MicroBooNE collaboration, P. Abratenko, M. Alrashed, R. An, J. Anthony, J. Asaadi, A. Ashkenazi, S. Balasubramanian, B. Baller, C. Barnes, G. Barr, V. Basque, L. Bathe-Peters, O. Benevides Rodrigues, S. Berkman, A. Bhanderi, A. Bhat, M. Bishai, A. Blake, T. Bolton, L. Camilleri, D. Caratelli, I. Caro Terrazas, R. Castillo Fernandez, F. Cavanna, G. Cerati, Y. Chen, E. Church, D. Cianci, J. M. Conrad, M. Convery, L. Cooper-Troendle, J. I. Crespo-Anadon, M. Del Tutto, D. Devitt, R. Diurba, L. Domine, R. Dorrill, K. Duffy, S. Dytman, B. Eberly, A. Ereditato, L. Escudero Sanchez, J. J. Evans, G. A. Fiorentini Aguirre, R. S. Fitzpatrick, B. T. Fleming, N. Foppiani, D. Franco, A. P. Furmanski, D. Garcia-Gamez, S. Gardiner, G. Ge, S. Gollapinni, O. Goodwin, E. Gramellini, P. Green, H. Greenlee, W. Gu, R. Guenette, P. Guzowski, E. Hall, P. Hamilton, O. Hen, G. A. Horton-Smith, A. Hourlier, E. C. Huang, R. Itay, C. James, J. Jan de Vries, X. Ji, L. Jiang, J. H. Jo, R. A. Johnson, Y. J. Jwa, N. Kamp, G. Karagiorgi, W. Ketchum, B. Kirby, M. Kirby, T. Kobilarcik, I. Kreslo, R. LaZur, I. Lepetic, K. Li, Y. Li, B. R. Littlejohn, D. Lorca, W. C. Louis, X. Luo, A. Marchionni, S. Marcocci, C. Mariani, D. Marsden, J. Marshall, J. Martin-Albo, D. A. Martinez Caicedo, K. Mason, A. Mastbaum, N. McConkey, V. Meddage, T. Mettler, K. Miller, J. Mills, K. Mistry, T. Mohayai, A. Mogan, J. Moon, M. Mooney, A. F. Moor, C. D. Moore, J. Mousseau, M. Murphy, D. Naples, A. Navrer-Agasson, R. K. Neely, P. Nienaber, J. Nowak, O. Palamara, V. Paolone, A. Papadopoulou, V. Papavassiliou, S. F. Pate, A. Paudel, Z. Pavlovic, E. Piasetzky, I. Ponce-Pinto, D. Porzio, S. Prince, X. Qian, J. L. Raaf, V. Radeka, A. Rafique, M. Reggiani-Guzzo, L. Ren, L. Rochester, J. Rodriguez Rondon, H. E. Rogers, M. Rosenberg, M. Ross-Lonergan, B. Russell, G. Scanavini, D. W. Schmitz, A. Schukraft, M. H. Shaevitz, R. Sharankova, J. Sinclair, A. Smith, E. L. Snider, M. Soderberg, S. Soldner-Rembold, S. R. Soleti, P. Spentzouris, J. Spitz, M. Stancari, J. St. John, T. Strauss, K. Sutton, S. Sword-Fehlberg, A. M. Szelc, N. Tagg, W. Tang, K. Terao, C. Thorpe, M. Toups, Y. -T. Tsai, S. Tufanli, M. A. Uchida, T. Usher, W. Van De Pontseele, B. Viren, M. Weber, H. Wei, Z. Williams, S. Wolbers, T. Wongjirad, M. Wospakrik, W. Wu, T. Yang, G. Yarbrough, L. E. Yates, H. W. Yu, G. P. Zeller, J. Zennamo, C. Zhang

Wire-Cell, proposed in recent years, is a novel tomographic event reconstruction method for LArTPCs.

Instrumentation and Detectors High Energy Physics - Experiment

Cosmic Background Removal with Deep Neural Networks in SBND

1 code implementation • 2 Dec 2020 • SBND Collaboration, R. Acciarri, C. Adams, C. Andreopoulos, J. Asaadi, M. Babicz, C. Backhouse, W. Badgett, L. Bagby, D. Barker, V. Basque, Q. Bazetto, M. Betancourt, A. Bhanderi, A. Bhat, C. Bonifazi, D. Brailsford, G. Brandt, T. Brooks, F. Carneiro, Y. Chen, H. Chen, G. Chisnall, I. Crespo-Anadón, E. Cristaldo, C. Cuesta, I., L. de Icaza Astiz, A. De Roeck, G. de Sá Pereira, M. Del Tutto, V. Di Benedetto, A. Ereditato, J. Evans, C. Ezeribe, S. Fitzpatrick, T. Fleming, W. Foreman, D. Franco, I. Furic, P. Furmanski, S. Gao, D. Garcia-Gamez, H. Frandini, G. Ge, I. Gil-Botella, S. Gollapinni, O. Goodwin, P. Green, C. Griffith, R. Guenette, P. Guzowski, T. Ham, J. Henzerling, A. Holin, B. Howard, R., S. Jones, D. Kalra, G. Karagiorgi, L. Kashur, W. Ketchum, M., J. Kim, A. Kudryavtsev, J. Larkin, H. Lay, I. Lepetic, B., R. Littlejohn, W., C. Louis, A., A. Machado, M. Malek, D. Mardsen, C. Mariani, F. Marinho, A. Mastbaum, K. Mavrokoridis, N. McConkey, V. Meddage, P. Méndez, T. Mettler, K. Mistry, A. Mogan, J. Molina, M. Mooney, L. Mora, C., A. Moura, J. Mousseau, A. Navrer-Agasson, F., J. Nicolas-Arnaldos, A. Nowak, O. Palamara, V. Pandey, J. Pater, L. Paulucci, V., L. Pimentel, F. Psihas, G. Putnam, X. Qian, E. Raguzin, H. Ray, M. Reggiani-Guzzo, D. Rivera, M. Roda, M. Ross-Lonergan, G. Scanavini, A. Scarff, D., W. Schmitz, A. Schukraft, E. Segreto, M. Soares Nunes, M. Soderberg, S. Söldner-Rembold, J. Spitz, N., J., C. Spooner, M. Stancari, V. Stenico, A. Szelc, W. Tang, J. Tena Vidal, D. Torretta, M. Toups, C. Touramanis, M. Tripathi, S. Tufanli, E. Tyley, G., A. Valdiviesso, E. Worcester, M. Worcester, G. Yarbrough, J. Yu, B. Zamorano, J. Zennamo, A. Zglam

In liquid argon time projection chambers exposed to neutrino beams and running on or near surface levels, cosmic muons and other cosmic particles are incident on the detectors while a single neutrino-induced event is being recorded.

Semantic Segmentation Data Analysis, Statistics and Probability

Enhancing Fingerprint Image Synthesis with GANs, Diffusion Models, and Style Transfer Techniques

no code implementations • 20 Mar 2024 • W. Tang, D. Figueroa, D. Liu, K. Johnsson, A. Sopasakis

The comparable WGAN-GP model achieved slightly higher FID while performing better in the uniqueness assessment due to a slightly lower FAR when matched against the training data, indicating better creativity.

Image Generation Style Transfer +1