Analysis of Local Search Methods for 3D Data

In questa tesi sono stati analizzati alcuni metodi di ricerca per dati 3D. Viene illustrata una panoramica generale sul campo della Computer Vision, sullo stato dell’arte dei sensori per l’acquisizione e su alcuni dei formati utilizzati per la descrizione di dati 3D. In seguito è stato fatto un approfondimento sulla 3D Object Recognition dove, oltre ad essere descritto l’intero processo di matching tra Local Features, è stata fatta una focalizzazione sulla fase di detection dei punti salienti. In particolare è stato analizzato un Learned Keypoint detector, basato su tecniche di apprendimento di machine learning. Quest ultimo viene illustrato con l’implementazione di due algoritmi di ricerca di vicini: uno esauriente (K-d tree) e uno approssimato (Radial Search). Sono state riportate infine alcune valutazioni sperimentali in termini di efficienza e velocità del detector implementato con diversi metodi di ricerca, mostrando l’effettivo miglioramento di performance senza una considerabile perdita di accuratezza con la ricerca approssimata.

Neutrino interactions in the SAND LAr volume at the DUNE Near Detector site

The neutrino mass ordering and the leptonic CP violation phase are key parameters of the three-neutrino flavour mixing still to be determined. Measuring these parameters is the main goal of DUNE, a next generation Long Baseline neutrino experiment under construction in the United States. DUNE will feature a Near and a Far Detector site. An important component of the Near detector complex is the SAND apparatus, which will include GRAIN, a novel liquid Argon detector that aims at imaging neutrino interactions using scintillation light. For this purpose, an innovative optical readout system based on Coded Aperture Masks is under study. This thesis work is aimed at a first quantitative assessment of a 3D neutrino event reconstruction algorithm for GRAIN. The processing procedure is optimized and the reconstruction performance is evaluated. Promising results are obtained.