Aperfeiçoamento do treinamento de redes de super-resolução deep learning a partir de imagens hiperespectrais aprimoradas
| Orientador(a) (dc.contributor.advisor) | Silveira Junior, Luiz Gonzaga da | |
| Coorientador(a) (dc.contributor.advisor-co1) | Veronez, Maurício Roberto | |
| Lattes Coorientador(a) (dc.contributor.advisor-co1Lattes) | http://lattes.cnpq.br/0157177135951013 | pt_BR |
| Lattes Orientador(a) (dc.contributor.advisorLattes) | http://lattes.cnpq.br/4109110009789771 | pt_BR |
| Autor(a) (dc.contributor.author) | Sales, Vinicius Ferreira | |
| Autor(a) Lattes (dc.contributor.authorLattes) | http://lattes.cnpq.br/8982402548073538 | pt_BR |
| Data de Disponibilização (dc.date.accessioned) | 2023-07-31T13:06:23Z | |
| dc.date.available (dc.date.available) | 2023-07-31T13:06:23Z | |
| Data da defesa / Data do evento (dc.date.issued) | 2023-05-26 | |
| Abstract (dc.description.abstract) | Inserted in the context of Visual Computing and Remote Sensing, Super-resolution consists of the process of restoring high frequency information in low spatial resolution images. Traditionally, this type of technique seeks to solve the physical limitations of some imaging sensors in identify and analyze specific targets. With the increasing use of Deep Learning methods more robust approaches of Super-resolution has been gaining more and more space, as are the cases of Super-resolution networks based on Convolutional neural network. Although such an approach proved to be superior to traditional digital image processing techniques, mainly in RGB scenes, multispectral and essentially hyperspectral images need more attention by the method, since, by improving their spatial resolutions, the spectral consistency must be maintained, a fact considered one of the great challenges within the Super-resolution. Still in this context, due to the difficulty of obtaining hyperspectral images of low and high spatial resolutions properly registered, the scenes of low spatial resolution are synthesized from the process of degradation, resampling and noise of their corresponding of high spatial resolution . Although this flow is commonly adopted, it has not yet been evaluated what is the real influence that resampling techniques have on intelligent Super-resolution methods, since there is no consensus on the best technique to be used. Thus, the hypothesis is that the identification of the best resampling function of HIs de LR enables the Super-resolution models in Deep Learning to generate HIs of HR of better quality. Therefore, this work aims to evaluate resampling functions and identify the best function for the improvement of training of super-resolution networks in deep learning. As a proposal for this work, two different datasets of hyperpectral images consecrated in the literature were chosen and used in the process of synthesizing low spatial resolution images. Subsequently, with the data generated, their behaviors were evaluated within the best Super-resolution model selected based on the related works. This evaluation was performed from different metrics of comparison of hyperspectral images, especially the metrics: Peak Signal-to-Noise Ratio, Spectral Angle Mapper e Structure Similarity Index Measurement. From the values obtained hypothesis tests such as the case of the Friedman and Nemeyi tests were applied, in order to identify statistically which technique was best applied. Finally, the results obtained were compared and evaluated from a new set of data obtained in a controlled way, so that the spectral consistency could be evaluated based on predicted high resolution spectral images and point readings with non-iImageer spectrometer. From the results obtained, the resampling type Lanczos and Cubic presented the best results in relation to the others, thus proving, the hypothesis evaluated. | en |
| Resumo (dc.description.resumo) | Inserida no contexto de Computação Visual e Sensoriamento Remoto, a Super-resolução consiste no processo de restaurar informações de alta frequência em imagens de baixa resolução espacial. Tradicionalmente, esse tipo de técnica busca solucionar às limitações físicas de alguns sensores imageadores em identificar e analisar específicos alvos. Com aumento do uso dos métodos de Deep Learning abordagens mais robustas de Super-resolução vem ganhando cada vez mais espaço, como são os casos das redes de S-R baseadas em Convolutional neural network. Embora tal abordagem se mostrou superior as técnicas tradicionais de processamento digital de imagens, principalmente em cenas RGB, imagens multiespectrais e essencialmente hiperespectrais carecem de mais atenção pelo método, uma vez que, ao aprimorar as suas resoluções espaciais, a consistência espectral deve ser mantida, fato esse considerado um dos grandes desafios dentro da Super-resolução. Ainda nesse contexto, em consequência da dificuldade de se obter imagens hiperespectrais de baixa e alta resoluções espaciais devidamente registradas, as cenas de baixa resolução espacial são sintetizadas a partir do processo de degradação, reamostragem e ruído das suas correspondentes de alta resolução espacial. Apesar desse fluxo ser comumente adotado, ainda não foi avaliado qual é a real influência que as técnicas de reamostragem exercem sobre os métodos de Super-resolução inteligentes, já que não existe um consenso sobre qual a melhor técnica a ser empregada. Sendo assim, a hipótese é que a identificação da melhor função de reamostragem de HIs de LR possibilita que os modelos de Super-resolução em Deep Learning gerem HIs de HR de melhor qualidade. Portanto, esse trabalho tem como objetivo de avaliar funções de reamostragem e identificar a melhor função para ao aperfeiçoamento do treinamento de redes de super-resolução em deep learning. Como proposta para este trabalho, dois diferentes datasets de imagens hiperpesctrais consagrados na literatura foram escolhidos e empregados no processo de sintetização de imagens de baixa resolução espacial. Posteriormente, com os dados gerados foram avaliados os seus comportamentos dentro Super-resoluçãoo melhor modelo de Super-resoluçãoo selecionado com base nos trabalhos relacionados. Essa avaliação foi realizada a partir de diferentes métricas de comparação de imagens hiperespectrais, com destaque para as métricas Peak Signal-to-Noise Ratio, Spectral Angle Mapper e Structure Similarity Index Measurement . Dos valores obtidos testes de hipótese como são o caso dos teste de Friedman e Nemeyi foram aplicados, de modo a identificar estatisticamente qual a melhor técnica aplicada. Por fim, os resultados obtidos foram confrontados e avaliados a partir de um novo conjunto de dados obtido de forma controlada, de modo que a consistência espectral pôde ser avaliada com base em imagens espectrais de alta resolução preditas e leituras pontuais com espectrômetro não imageador. Dos resultados obtidos, as reamostragem do tipo Lanczos e Cubic apresentaram os melhores resultados em relação as demais, comprovando assim, a hipótese avaliada. | pt_BR |
| Agência de fomento (dc.description.sponsorship) | CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior | pt_BR |
| URI (dc.identifier.uri) | http://www.repositorio.jesuita.org.br/handle/UNISINOS/12596 | |
| Idioma (dc.language) | pt_BR | pt_BR |
| Nome da instituição (dc.publisher) | Universidade do Vale do Rio dos Sinos | pt_BR |
| País da Instituição (dc.publisher.country) | Brasil | pt_BR |
| Departamento (dc.publisher.department) | Escola Politécnica | pt_BR |
| Sigla da Instituição (dc.publisher.initials) | Unisinos | pt_BR |
| Programa (dc.publisher.program) | Programa de Pós-Graduação em Computação Aplicada | pt_BR |
| Direitos de acesso ao documento (dc.rights) | openAccess | pt_BR |
| Assunto (dc.subject) | Computação visual | pt_BR |
| Assunto (dc.subject) | Sensoriamento remoto | pt_BR |
| Assunto (dc.subject) | Deep learning | pt_BR |
| Assunto (dc.subject) | Super-resolução | pt_BR |
| Assunto (dc.subject) | Visual computing | en |
| Assunto (dc.subject) | Remote sensing | en |
| Assunto (dc.subject) | Super-resolution | en |
| Tema (CNPq) (dc.subject.cnpq) | ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação | pt_BR |
| Título (dc.title) | Aperfeiçoamento do treinamento de redes de super-resolução deep learning a partir de imagens hiperespectrais aprimoradas | pt_BR |
| Tipo de arquivo (dc.type) | Dissertação | pt_BR |
Arquivos
Pacote original
1 - 1 de 1
Carregando...
- Nome:
- Vinicius Ferreira Sales_-.pdf
- Tamanho:
- 2.68 MB
- Formato:
- Adobe Portable Document Format
- Descrição:
- aperfeicoamento_treinamento
Licença do pacote
1 - 1 de 1
Carregando...
- Nome:
- license.txt
- Tamanho:
- 2.12 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: