См. также раздел "Ограниченный доступ"

• Understanding Deep Learning, Simon J.D. Prince
  Хорошее введение в МО с математическими подробнотями.

• Формат данных TAIGA-optics (до моделирования триггера установок)
• Формат данных IACT (после моделирования триггера)
• Формат данных TAIGA-HiSCORE (после моделирования триггера)
• Статистика моделирования

Jashwanth S2 , Sudeep Ghosh1 , Kavitha Yogaraj1 , Neha Shah2 , and Ankhi Roy3. “G AMMA - HADRON S EPARATION IN I MAGING ATMOSPHERIC C HERENKOV T ELESCOPES USING Q UANTUM C LASSIFIERS”. ArXiv:2210.03771

2.2 Image parametrization

The hadronic shower images are observed to be more longer and broader compared to gamma ray shower images. Effective discrimination of primary gamma ray shower and hadronic background shower is possible on the basis of the width,length and orientation of these images. The showers with axis parallel to the optic axis and landing directly on the detector will produce circular images. But if it lands at some distance(impact parameter) away from the detector it will be a bivariate Gaussian distribution which is an elliptical cluster. For gamma ray showers the major axis is oriented towards the camera center whereas the hadronic showers have random axial orientation. The pixel image of the shower after some pre processing and image cleaning is then converted to into few image parameters, defined by moment analysis on the pixel signal amplitudes. The moments are defined as:

(1)

where, x and y are the coordinates of pixels and n is the number of digital counts in a pixel. The summation runs over all the pixels in the image.

Figure 1: Definitions of some hillas parameters in the camera plane.

Image spreads are derived from the moments in (1):

(2)

Image parameters can be derived from the moments and the image spreads in (2):

(3)

where, miss is the perpendicular distance between camera center and the major axis as shown in Fig. 1.

• Multi-Task Architecture with Attention for Imaging Atmospheric Cherenkov Telescope Data Analysis
• Single Imaging Atmospheric Cherenkov Telescope Full-Event Reconstruction with a Deep Multi-Task Learning Architecture
• Tutorial on Multimodal Machine Learning

• Нормализующие потоки. Часть 1: Общее введение.
• Нормализующие потоки. Часть 2: Детектирование аномальных и редких явлений.
• См. также Understanding Deep Learning

• Краткое содержание статьи: Ya.Ganin & V.Lempitsky Unsupervised Domain Adaptation by Backpropagation (arXiv:1409.7495), 2015
• Обзор основных методов Deep Domain Adaptation (Часть 1)
• Universal Domain Adaptation (PDF)

• Аугментация данных АЧТ в стерео режиме.

• Классическое восстановление энергии

• Медианный фильтр
• Автоэнкодер
• Статья про контрастное обучение (SimCLR): Chen T., Kornblith S., Norouzi M., and Hinton G. (2020). A simple framework for contrastive learning of visual representations. In International conference on machine learning (pp. 1597--1607). PMLR.

• Руководства по различным ПО
  • Git
• Работа с git/Forgejo
• Установка Jupyter на Ubuntu
• Установка TensorFlow на Ubuntu

Исследование выполнено в рамках государственного задания Московского 
государственного университета имени М.В. Ломоносова с использованием 
оборудования, предоставленного по Программе развития МГУ, и данных, 
полученных на уникальной эксперментальной установке ТАЙГА.

Исследование выполнено за счет средств гранта Российского научного 
фонда № 24-11-00136, https://rscf.ru/project/24-11-00136/

-------------

The study was conducted under the state assignment of Lomonosov Moscow 
State University using equipment provided under the MSU Development 
Program and data obtained on the unique experimental setup TAIGA.

The study was carried out at the expense of the grant of the Russian 
Science Foundation No. 24-11-00136, https://rscf.ru/project/24-11-00136/