dir. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
| Títol variant: |
Superresolución aplicada a imágenes satelitales usando redes neuronales |
| Títol variant: |
Super resolution applied to satellite images using neural networks |
| Data: |
2024 |
| Resum: |
Aquest projecte explora diversos models de superresolució per millorar la qualitat de les imatges. Mitjançant l'ús d'arquitectures clàssiques i generatives, com ara Xarxes Neuronals Convolucionals (CNN), Xarxes Neuronals Resiuduals (ResNet), Xarxes Adversàries Generatives (GAN) i models basats en transformadors, es generen noves imatges d'alta resolució. Els experiments s'han realitzat amb conjunts d'imatges estàndard (RGB) i amb imatges multiespectrals obtingudes dels satèl·lits Sentinel-2 i Venµs, i han demostrat l'eficàcia dels models per produir imatges detallades i d'alta qualitat. Els resultats indiquen que, encara que SRResNet ofereix un rendiment alt, els models generatius poden capturar més detall, tot i que els hi falta molta estabilitat en els resultats, cosa que els fa especialment delicats a l'hora d'obtenir resultats i comparar-los. Aquest estudi contribueix al desenvolupament d'eines més eficients i precises per a la teledetecció i l'anàlisi geoespacial. |
| Resum: |
Este proyecto explora varios modelos de superresolución para mejorar la calidad de las imágenes. Mediante el uso de arquitecturas clásicas y generativas, como Redes Neuronales Convolucionales (CNN), Redes Neuronales Resiuduales (ResNet), Redes Adversarias Generativas (GAN) y modelos basados en transformadores, se generan nuevas imágenes de alta resolución. Los experimentos se han realizado con conjuntos de imágenes estándar (RGB) y con imágenes multiespectrales obtenidas de los satélites Sentinel-2 y Venµs, demostrando la eficacia de los modelos para producir imágenes detalladas y de alta calidad. Los resultados indican que, aunque SRResNet ofrece un rendimiento alto, los modelos generativos pueden capturar más detalle, aunque les falta mucha estabilidad en los resultados, lo que les hace especialmente delicados a la hora de obtener resultados y compararlos los. Este estudio contribuye al desarrollo de herramientas más eficientes y precisas para la teledetección y el análisis geoespacial. |
| Resum: |
This project explores various super-resolution models to improve image quality. By using classical and generative architectures, such as Convolutional Neural Networks (CNN), Residual Neural Networks (ResNet), Generative Adversarial Networks (GAN), and transformer-based models, new high-resolution images are generated. The experiments have been performed with standard image sets (RGB) and with multispectral images obtained from the Sentinel-2 and Venµs satellites, and have demonstrated the effectiveness of the models in producing detailed and high-quality images. The results indicate that, although SRResNet offers high performance, generative models can capture more detail, although they lack a lot of stability in the results, which makes them particularly delicate when it comes to obtaining results and compar- the bear. This study contributes to the development of more efficient and accurate tools for remote sensing and geospatial analysis. |
| Drets: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, 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: |
Català |
| Titulació: |
Enginyeria Informàtica [2502441] |
| Pla d'estudis: |
Enginyeria Informàtica [958] |
| Document: |
Treball final de grau ; Text |
| Àrea temàtica: |
Menció Computació |
| Matèria: |
Superresolució ;
Imatges satel·litaries ;
Xarxa neuronal ;
Xarxa adversaria ;
Models generatius ;
SRCNN ;
SRResNet ;
SRGAN ;
SwinIR ;
Superresolución ;
Imágenes satelitarias ;
Red neuronal ;
Red adversaria ;
Modelos generativos ;
Super-resolution ;
Satellite images ;
Neural network ;
Adversial network ;
Generative models |
visitant ::
identificació
dir. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
