<< Torna alla home page
L'inserimento della tesi può essere fatto dall'autore stesso, da un responsabile d'esperimento o dalle segreterie scientifiche
Per qualsiasi problema di natura tecnica scrivere a Supporto Web INFN

NEW: E' assolutamente vietato inserire il nome del relatore al posto del tesista per "bypassare" l'inserimento in anagrafica. Le tesi così formate saranno ritenute invalide ed eliminate dal sistema

Il tesista dev'essere presente nel database dell'anagrafica centralizzata (GODiVA)
Cercare il tesista per cognome, cliccando sul pulsante apposito, ed eventualmente inserirlo tramite il link proposto. Sono richieste le informazioni fondamentali di anagrafica e tipo/numero di documento di riconoscimento
Ultimo aggiornamento 21 gen 2018
Autore
Igor Pantusa
Sesso M
Esperimento ATLAS
Tipo Laurea Triennale
Destinazione dopo il cons. del titolo Laurea Secondo Livello (Italia)
Università Universita' Di Pavia
Strutt.INFN/Ente
Pavia
Titolo Riconoscimento di pattern significativi: da ATLAS all’analisi di immagini
Abstract In questo lavoro di tesi è stato inizialmente fornito uno sguardo d’insieme su LHC e sul rivelatore ATLAS [1]. Questo ha permesso di capire quanto sia rilevante il problema della quantit`a e della complessità delle informazioni che devono essere processate in tempo reale. I tempi di calcolo, infatti, crescono in maniera fortemente non lineare con l’aumento delle prestazioni dell’acceleratore. E' stato quindi presentato FTK [2], un tracciatore hardware attualmente in fase di installazione, che sarà in grado di effettuare una rapida ricostruzione online delle tracce utilizzando i dati provenienti dall’inner detector. FTK, in una prima fase, processa i dati ad una granularità ridotta, e questo permette una riduzione del flusso di informazioni che deve essere gestito, consentendo il confronto con una lista di pattern precalcolati e salvati in memoria. Questa operazione di pattern matching è gestita dalle memorie associative, chip dedicati che permettono un alto grado di parallelizzazione e quindi un notevole abbattimento dei tempi di processamento. In una seconda fase vengono utilizzati i dati alla massima risoluzione per calcolare il best-fit delle tracce trovate: questa operazione `e gestita da hardware commerciale. FTK permetterà di migliorare le performance del trigger di alto livello consentendo quindi di riutilizzare il tempo di latenza a disposizione per eseguire algoritmi più complessi e pertanto più selettivi. Inoltre questo consentir`a di abbassare le soglie del trigger L1 e ci`o porterà a migliorare la statistica, ossia il rapporto segnale rumore sul campione selezionato. Successivamente sono state analizzate le analogie che legano il metodo di funzionamento di FTK con il meccanismo della visione. Secondo il modello proposto da Del Viva et al. [3] il sistema visivo opera, in uno stadio iniziale, una riduzione dell’informazione tale da permettere, in fasi successive, di operare analisi più approfondite, che richiederebbero tempi estremamente lunghi a causa delle troppe informazioni da analizzare. Nonostante gli ambiti completamente diversi, entrambi i sistemi sono accomunati dal medesimo obiettivo: raccogliere nel minor tempo possibile le informazioni rilevanti da un grande flusso di dati in ingresso, dovendo sottostare a certe limitazioni delle risorse computazionali nel numero di pattern che è possibile riconoscere e nella larghezza di banda concessa in output. L’operazione compiuta nella primafase viene descritta, in questo modello, attraverso il confronto del segnale in ingresso con i pattern contenuti in una pattern bank, costituita da quegli elementi selezionati dalla funzione di scelta, ossia un filtro pesato sull’entropia di Shannon. Questi pattern scelti sono quindi in grado di trasportare la massima quantità di informazioni rilevanti, tenendo conto delle forti limitazioni alle quali il sistema deve sottostare. E' stato quindi presentato un software di simulazione del modello proposto nel caso dell’analisi di immagini. Questo programma è stato analizzato ed utilizzato per riprodurre i risultati ottenuti dagli autori dell’articolo trovando generalmente un buon accordo. Il software è stato inoltre utilizzato per studiare i principi di funzionamento del modello: grazie alle analisi effettuate risulta che l’algoritmo implementato si comporta come un edge detector. Si è verificato che al variare delle immagini la maggioranza dei pattern selezionati è ricorrente: quindi l’algoritmo è stabile nel selezionare un set di pattern che risultano significativi per tutte le immagini che vengono fornite. Sono state quindi analizzate le caratteristiche di tali pattern rilevanti e le differenze con quelli che invece vengono scartati perchè non significativi. Inoltre è stata studiata la distribuzione dei pattern in funzione della frequenza e successivamente la relazione fra i pattern selezionati dall’algoritmo e la funzione di scelta. Si è poi studiata la dipendenza di tale funzione dai parametri corrispondenti alle limitazioni imposte al sistema. Infine si accenna ad altri possibili utilizzi della tecnologia di FTK e dell’algoritmo di Del Viva, che possono spaziare dall’analisi in tempo reale di immagini MRI in campo medico, al processamento di immagini in movimento, all’unsupervised machine learning.
Anno iscrizione 2015
Data conseguimento 15 dic 2017
Luogo conseguimento Pavia
Relatore/i
Andrea Negri   
File PDF
171215.Pantusa.Tesi.pdf
File PS