Deep neural network for super-resolution of multitemporal remote sensing images
Visualitza/Obre
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/329183
Tipus de documentTreball Final de Grau
Data2020-06
Condicions d'accésAccés obert
Tots els drets reservats. Aquesta obra està protegida pels drets de propietat intel·lectual i
industrial corresponents. Sense perjudici de les exempcions legals existents, queda prohibida la seva
reproducció, distribució, comunicació pública o transformació sense l'autorització del titular dels drets
Abstract
Since few years ago, artificial intelligence (AI) has become a spotlight technology in which a lot of people are interested in. Most of them want to do research and use it to solve a huge variety of modern and difficult computing problems which could be associated with a wide variety of interesting fields. As soon as AI has improved, convolutional neural networks (CNN) have taken an excellent role in the world of image processing, in particular, for Remote Sensing applications. Nevertheless, artificial intelligence for multi-image superresolution from multi-temporal imagery has received little attention so far. In this work, it is proposed a CNN, which exploits both spatial and temporal correlations in the low-resolution images by using two different convolutional layers (2D and 3D convolutions) to combine multiple satellite images from the same scene which are taken in different temporal moments. The experiments have been carried out using a dataset generated by Sentinel-2 (European Space Agency satellite) images captured over 2 different places over the world, New York and El Cairo. This model aims to obtain super-resolution images from five low-resolution images, or less, being aware of the number of input images that the CNN has. Desde hace unos años, la inteligencia artificial (IA) se ha convertido en una tecnología destacada en la que mucha gente está interesada. La mayoría de ellos quiere investigar y usarla con el objetivo de resolver una gran variedad de problemas informáticos modernos y difíciles que podrían asociarse en una amplia variedad de campos interesantes. Tan pronto como la IA ha mejorado, las redes neuronales convolucionales (CNN) han desempeñado un papel fundamental en el mundo del procesamiento de imágenes, en particular, para aplicaciones de Teledetección. Sin embargo, la inteligencia artificial para la superresolución de imágenes satelitales a partir de imágenes multitemporales ha recibido poca atención hasta ahora. En este trabajo, se propone una CNN, que explota las correlaciones espaciales y temporales en imágenes satelitales de baja resolución mediante el uso de dos tipos de capas convolucionales diferentes (convolución 2D y 3D) para combinar múltiples imágenes de la misma escena que se toman en diferentes instantes temporales. Los experimentos se han llevado a cabo utilizando un conjunto de datos generados con imágenes del Sentinel-2 (satélite de la Agencia Espacial Europea), las cuales han sido capturadas en 2 lugares diferentes del mundo, Nueva York y El Cairo. El objetivo de este experimento es obtener una imagen de superresolución a partir cinco imágenes de baja resolución, o menos, de la misma escena, teniendo en cuenta el número de imágenes que se tienen como input en la CNN.
MatèriesMachine learning, Neural networks (Computer science), Image processing, Aprenentatge automàtic, Xarxes neuronals (Informàtica), Imatges -- Processament
TitulacióGRAU EN ENGINYERIA DE TECNOLOGIES I SERVEIS DE TELECOMUNICACIÓ (Pla 2015)
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
Final_Report_TFG_PolMasoAyats.pdf | 3,736Mb | Visualitza/Obre |