Refined STACK-CNN for Meteor and Space Debris Detection in Highly Variable Backgrounds
Leonardo Olivi
,
Antonio Montanaro
,
Mario Edoardo Bertaina
,
Antonio Giulio Coretti
,
Dario Barghini
,
Matteo Battisti
(1)
,
Alexander Belov
,
Marta Bianciotto
,
Francesca Bisconti
,
Carl Blaksley
,
Sylvie Blin
(1)
,
Karl Bolmgren
,
Giorgio Cambiè
,
Francesca Capel
,
Marco Casolino
,
Igor Churilo
,
Marino Crisconio
,
Christophe de la Taille
(2)
,
Toshikazu Ebisuzaki
,
Johannes Eser
,
Francesco Fenu
,
George Filippatos
,
Massimo Alberto Franceschi
,
Christer Fuglesang
,
Alessio Golzio
,
Philippe Gorodetzky
(1)
,
Fumiyoshi Kajino
,
Hiroshi Kasuga
,
Pavel Klimov
,
Viktoria Kungel
,
Vladimir Kuznetsov
,
Massimiliano Manfrin
,
Laura Marcelli
,
Gabriele Mascetti
,
Włodzimierz Marszał
,
Marco Mignone
,
Hiroko Miyamoto
,
Alexey Murashov
,
Tommaso Napolitano
,
Hitoshi Ohmori
,
Angela Olinto
,
Etienne Parizot
(1)
,
Piergiorgio Picozza
,
Lech Wiktor Piotrowski
,
Zbigniew Plebaniak
,
Guillaume Prévôt
(1)
,
Enzo Reali
,
Marco Ricci
,
Giulia Romoli
,
Naoto Sakaki
,
Sergei Sharakin
,
Kenji Shinozaki
,
Jacek Szabelski
,
Yoshiyuki Takizawa
,
Valerio Vagelli
,
Giovanni Valentini
,
Michal Vrabel
,
Lawrence Wiencke
,
Mikhail Zotov
Leonardo Olivi
- Fonction : Auteur
Antonio Montanaro
- Fonction : Auteur
Mario Edoardo Bertaina
- Fonction : Auteur
Antonio Giulio Coretti
- Fonction : Auteur
Dario Barghini
- Fonction : Auteur
Matteo Battisti
- Fonction : Auteur
- PersonId : 1373027
- ORCID : 0000-0001-5686-4711
Alexander Belov
- Fonction : Auteur
Marta Bianciotto
- Fonction : Auteur
Francesca Bisconti
- Fonction : Auteur
Carl Blaksley
- Fonction : Auteur
- PersonId : 1391930
- ORCID : 0000-0002-9604-0060
- IdRef : 180668757
Karl Bolmgren
- Fonction : Auteur
Giorgio Cambiè
- Fonction : Auteur
Francesca Capel
- Fonction : Auteur
Marco Casolino
- Fonction : Auteur
Igor Churilo
- Fonction : Auteur
Marino Crisconio
- Fonction : Auteur
Toshikazu Ebisuzaki
- Fonction : Auteur
Johannes Eser
- Fonction : Auteur
Francesco Fenu
- Fonction : Auteur
George Filippatos
- Fonction : Auteur
Massimo Alberto Franceschi
- Fonction : Auteur
Christer Fuglesang
- Fonction : Auteur
Alessio Golzio
- Fonction : Auteur
Fumiyoshi Kajino
- Fonction : Auteur
Hiroshi Kasuga
- Fonction : Auteur
Pavel Klimov
- Fonction : Auteur
Viktoria Kungel
- Fonction : Auteur
Vladimir Kuznetsov
- Fonction : Auteur
Massimiliano Manfrin
- Fonction : Auteur
Laura Marcelli
- Fonction : Auteur
Gabriele Mascetti
- Fonction : Auteur
Włodzimierz Marszał
- Fonction : Auteur
Marco Mignone
- Fonction : Auteur
Hiroko Miyamoto
- Fonction : Auteur
Alexey Murashov
- Fonction : Auteur
Tommaso Napolitano
- Fonction : Auteur
Hitoshi Ohmori
- Fonction : Auteur
Angela Olinto
- Fonction : Auteur
Piergiorgio Picozza
- Fonction : Auteur
Lech Wiktor Piotrowski
- Fonction : Auteur
Zbigniew Plebaniak
- Fonction : Auteur
Enzo Reali
- Fonction : Auteur
Marco Ricci
- Fonction : Auteur
Giulia Romoli
- Fonction : Auteur
Naoto Sakaki
- Fonction : Auteur
Sergei Sharakin
- Fonction : Auteur
Kenji Shinozaki
- Fonction : Auteur
Jacek Szabelski
- Fonction : Auteur
Yoshiyuki Takizawa
- Fonction : Auteur
Valerio Vagelli
- Fonction : Auteur
Giovanni Valentini
- Fonction : Auteur
Michal Vrabel
- Fonction : Auteur
Lawrence Wiencke
- Fonction : Auteur
Mikhail Zotov
- Fonction : Auteur
Résumé
In this work we present cutting-edge machine learning based techniques for the detection and reconstruction of meteors and space debris in the Mini-EUSO experiment, a detector installed on board of the International Space Station (ISS), and pointing towards the Earth. We base our approach on a recent technique, the Stack-CNN, originally developed as an online trigger in a orbiting remediation system to detect space debris. Our proposed method, the Refined Stack-CNN (R-Stack- CNN), makes the STACK-CNN more robust thanks to a Random Forest (RF) that learns the temporal development of these events in the camera. We prove the flexibility of our method by showing that it is sensitive to any space object that moves linearly in the field of view. First, we search small space debris, never observed by Mini-EUSO. Due to the limiting statistics, also in this case no debris were found. However, since meteors produce signals similar to space debris but they are much more frequent, the R-Stack-CNN is adapted to identify such events while avoiding the numerous false positives of the Stack-CNN. Results from real data show that the R-Stack-CNN is able to find more meteors than a classical thresholding method and a new method of two neural networks. We also show that the method is also able to accurately reconstruct speed and direction of meteors with simulated data.