tut. (Universitat Autònoma de Barcelona. Departament d'Enginyeria de la Informació i de les Comunicacions)
| Additional title: |
Implementation of a neural network-based compressor for use in satellites |
| Additional title: |
Implementación compresor basado en redes neuronales para uso en satélite |
| Date: |
2026 |
| Abstract: |
La generació massiva de dades en l'observació terrestre requereix sistemes de compressió a bord eficients. Els algorismes basats en Deep Learning, com SORTENY, ofereixen una gran adaptabilitat però presenten un cost computacional elevat per a maquinari limitat. Aquest treball presenta la portabilitat, optimització i avaluació experimental del compressor SORTENY sobre una Raspberry Pi 3B+. S'ha desenvolupat una implementació nativa en C que elimina les dependències de TensorFlow, introduint una gestió de memòria basada en reutilització de buffers i paral·lelisme. Els resultats mostren una reducció del consum de memòria de 9. 2x i una acceleració de 1. 47x respecte a la versió original en Python, validant la viabilitat d'executar xarxes neuronals complexes en plataformes amb recursos restringits, tot mantenint la qualitat de reconstrucció. Es compara el rendiment amb l'estàndard CCSDS-122, evidenciant els compromisos entre velocitat i flexibilitat. |
| Abstract: |
The massive data generation in Earth observation demands efficient on-board compression systems. Deep Learning-based algorithms, such as SORTENY, offer high adaptability but present a high computational cost for limited hardware. This work presents the porting, optimization, and experimental evaluation of the SORTENY compressor on a Raspberry Pi 3B+. A native C implementation has been developed, eliminating TensorFlow dependencies and introducing a memory management strategy based on buffer reuse and parallelism. Results show a 9. 2x reduction in memory consumption and a 1. 47x speedup compared to the original Python version, validating the feasibility of executing complex neural networks on resource-constrained platforms while maintaining reconstruction quality. Performance is compared with the CCSDS-122 standard, highlighting the trade-offs between speed and flexibility. |
| Abstract: |
La generación masiva de datos en la observación de la Tierra exige sistemas de compresión a bordo eficientes. Los algoritmos basados en el aprendizaje profundo, como SORTENY, ofrecen una gran adaptabilidad, pero presentan un alto coste computacional para un hardware limitado. Este trabajo presenta la portabilidad, la optimización y la evaluación experimental del compresor SORTENY en una Raspberry Pi 3B+. Se ha desarrollado una implementación nativa en C, eliminando las dependencias de TensorFlow e introduciendo una estrategia de gestión de la memoria basada en la reutilización del búfer y el paralelismo. Los resultados muestran una reducción de 9,2 veces en el consumo de memoria y una aceleración de 1,47 veces en comparación con la versión original en Python, lo que valida la viabilidad de ejecutar redes neuronales complejas en plataformas con recursos limitados, manteniendo la calidad de la reconstrucción. El rendimiento se compara con el estándar CCSDS-122, destacando las compensaciones entre velocidad y flexibilidad. |
| Rights: |
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.  |
| Language: |
Català |
| Studies: |
Enginyeria Informàtica [2502441] |
| Study plan: |
Enginyeria Informàtica [958] |
| Document: |
Treball final de grau |
| Subject area: |
Menció Tecnologies de la Informació |
| Subject: |
Compressió Hiperespectral ;
Deep Learning ;
Sistemes Encastats ;
Optimització C ;
Raspberry Pi ;
CCSDS-122 ;
Hyperspectral Compression ;
Embedded Systems ;
C Optimization ;
Compresión Hiperespectral ;
Sistemas Empotrados ;
Optimización C |
guest ::
