dir. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
| Títol variant: |
Análisis y comparación de métodos de superresolución en un entorno con imágenes multispectrales |
| Títol variant: |
Anàlisi i comparació de mètodes de superesolució en un entorn amb imatges multispectrals |
| Data: |
2018-07-02 |
| Resum: |
The use of multispectral data is increasingly frequent in a wide range of fields due to multispectral sensors becoming more affordable and how valuable is the information they provide. This information, however, usually needs to be combined with data coming from other sensors, which commonly causes resolution disparity. On the other hand, the recent high interest in deep learning algorithms and its great performance made it inevitable for the scientific community to explore its potential on the superresolution field. In the last years, a lot of great solutions showed impressive results when upscaling colour images. In this project, we adapted a state-of-the-art superresolution method to work with data composed of N bands and studied its performance compared to a selection of conventional methods in order to get a good solution to the aforementioned resolution disparity problem. Most of the results provided show that deep learning methods can be befittingly used to upscale N-band images, although there's still room for improvement. |
| Resum: |
El uso de información multiespectral es cada vez más frecuente en una gran variedad de campos debido a que los sensores multiespectrales son cada vez más asequibles y a lo valiosa que es la información que proporcionan. Sin embargo, esta información normalmente necesita ser combinada con información proveniente de otros sensores, lo cual tiende a causar disparidad de resolución. Por otra parte, el reciente interés en los algoritmos de deep learning y su buen rendimiento ha hecho inevitable que la comunidad científica explore su potencial en el campo de la superresolución de imágenes. En los últimos años, estos algoritmos han mostrado resultados impresionantes al aumentar la resolución de imágenes en color. En este proyecto, hemos adaptado uno de los métodos de superresolución más avanzados para aumentar la resolución de imágenes compuestas de N bandas y hemos estudiado su rendimiento comparándolo con una selección de métodos convencionales, con el objetivo de proponer una buena solución para el problema de disparidad de resolución previamente comentado. Los resultados proporcionales muestran que los algoritmos de deep learning pueden ser beneficiosamente utilizados para aumentar la resolución de imágenes multiespectrales, aunque aún existe margen de mejora. |
| Resum: |
L'ús d'informació multiespecral és cada vegada més freqüent en una gran varietat de camps atès que els sensors multiespectrals són cada vegada més assequibles i la informació que proporcionen és de gran valor. No obstant, aquesta informació normalment necessita ser combinada amb informació provinent d'altres sensors, cosa que tendeix a causar disparitat de resolució. D'altra banda, el recent interès en els algoritmes de deep learning i el seu bon rendiment ha fet inevitable que la comunitat científica explori el seu potencial en el camp de la superesolució d'imatges. En els últims anys, aquests algorismes han mostrat resultats impressionants en augmentar la resolució d'imatges en color. En aquest projecte, hem adaptat un dels mètodes de superresolució més avançats per augmentar la resolució d'imatges compostes de N bandes i hem estudiat el seu rendiment comparant-lo amb una selecció de mètodes convencionals, amb l'objectiu de proposar una bona solució per al problema de disparitat de resolució prèviament comentat. Els resultats proporcionats mostren que els algoritmes de deep learning poden ser beneficiosament utilitzats per augmentar la resolució d'imatges multiespectrals, tot i que encara hi ha marge de millora. |
| Drets: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades.  |
| Llengua: |
Anglès |
| Titulació: |
Grau en Enginyeria Informàtica [2502441] |
| Pla d'estudis: |
Enginyeria Informàtica [958] |
| Document: |
Treball final de grau ; Text |
| Àrea temàtica: |
Menció Computació |
| Matèria: |
Imatges Multibanda ;
Dataset Multiespectral ;
Super-resolució ;
Estimació de Qualitat ;
Deep Learning ;
Xarxa Neuronal ;
SRGAN ;
Generative adversarial Networks ;
Imágenes Multibanda ;
Super-Resolución ;
Estimación de Calidad ;
Red Neuronal ;
Generative Adversarial Networks ;
Multiband Images ;
Multispectral Dataset ;
Super-Resolution ;
Quality Estimation ;
Neural Network |
visitant ::
identificació
dir. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
