Valutazione delle performance dell'algoritmo Stack-CNN con dati dell'esperimento spaziale MIni-EUSO

This thesis studies the performance of the Stack-CNN algorithm with data of meteor candidates detected by the Mini-EUSO experiment aboard the International Space Station. This algorithm is based on the application of a convolutional neural network coupled with a stacking procedure to recognize the signal of weak light sources moving within the field of view of a telescope, such as the signal from meteors. In this work, the trigger performance of Stack-CNN was compared with that of two alternative methods currently used to search for meteor events in Mini-EUSO data. Initially, events detected by Stack-CNN were classified by assigning them a type; subsequently, a statistical study was conducted to analyze the characteristics of new, missed, and common meteor and dubious meteor events in comparison to the other two algorithms. This study shows that Stack-CNN is able to recognize a larger number of meteor candidate events compared to the other two methods considered.

Questa tesi studia le performance dell'algoritmo Stack-CNN con dati candidati a meteore rivelati dall'esperimento Mini-EUSO a bordo della Stazione spaziale Internazionale. Tale algoritmo si basa sull’applicazione di una convolutional neural network accoppiata con una procedura di stacking per riconoscere il segnale di deboli sorgenti luminose che si muovono nel campo di vista di un telescopio, come per esempio il segnale di meteore. In questo lavoro è stata confrontata la performance di trigger dello stack-CNN con quella di due metodologie alternative attualmente utilizzate per cercare eventi di meteora nei dati di Mini-EUSO. In un primo momento sono stati classificati gli eventi rilevati dalla Stack-CNN, assegnando loro una tipologia; successivamente è stato condotto uno studio statistico per analizzare le caratteristiche degli eventi di meteora e meteora dubbia nuovi, persi e trovati in comune rispetto agli altri due algoritmi. Questo studio mostra che la Stack-CNN è in grado di riconoscere un maggior numero di eventi candidati a meteora rispetto alle altre due metodologie prese in considerazione.