Super-resolution and semantic segmentation of remote sensing images using deep learning techniques

dc.contributor
Universitat Politècnica de Catalunya. Departament de Teoria del Senyal i Comunicacions
dc.contributor.author
Salgueiro Romero, Luis Fernando
dc.date.accessioned
2024-07-23T06:54:46Z
dc.date.available
2024-07-23T06:54:46Z
dc.date.issued
2022-10-27
dc.identifier.uri
http://hdl.handle.net/10803/691904
dc.description.abstract
(English) Remote sensing for Earth observation is a growing scientific field essential for many human activities. Among the different applications in the Remote Sensing domain, the production of thematic maps, such as Land Cover and Land Use, are among the most relevant, as this information plays a critical role in management, planning and monitoring activities at different levels. In this context, the Sentinel-2 satellites are of great importance since they provide open data on land and coastal areas at different spatial resolutions (10, 20, and 60 m), democratizing usability, and creating a high potential for the generation of valuable information, useful in many scenarios, such as agriculture, forestry, land cover and urban planning, among others. In this thesis, we aim to exploit the usability of Sentinel-2 data by applying deep learning techniques, which are revolutionizing the world of computer vision and, recently, remote sensing. First, we propose super-resolution models to improve the spatial details of the different Sentinel-2 bands, and second, we propose the conjunction of semantic segmentation with super-resolution to generate improved land cover maps that benefit from the enhanced spatial details of the bands. We first address super-resolution by proposing two different models, one for the 10 m/pixel bands to reach 2 m/pixel and another for the 20 and 60 m/pixel bands to achieve 10 m/pixel. Then, we propose two different multitasking models to derive land cover maps. The first one extending a semantic segmentation model to produce an additional super-resolution image and the second, improving our first super-resolution approach, to provide a semantic segmentation map, as well. We combine features of the different tasks within a single model to improve performance and to generate a high-resolution image with the corresponding high- quality land cover map. All models developed were evaluated, quantitatively and qualitatively, using different datasets, showing excellent performance in diverse complex scenarios.
ca
dc.description.abstract
(Español) La teledetección para la observación de la Tierra es un disciplina científica de gran crecimiento para muchas actividades humanas. Entre las diferentes aplicaciones en el dominio de la teledetección, la producción de mapas temáticos, tales como mapas de cobertura y uso del suelo, se encuentran entre las más relevantes, ya que esta información juega un papel fundamental en las actividades de gestión, planificación y seguimiento a diferentes niveles. En este contexto, los satélites Sentinel-2 son de gran importancia, ya que brindan datos abiertos sobre áreas terrestres y costeras en diferentes resoluciones espaciales (10, 20 y 60 m), democratizando la usabilidad y creando un alto potencial para la generación de valiosa información, útil en muchos escenarios, como la agricultura, la silvicultura, la cobertura del suelo y la planificación urbana, entre otros. En esta tesis pretendemos explotar la usabilidad de los datos de Sentinel-2 mediante la aplicación de técnicas de aprendizaje profundo, que están revolucionando el mundo de la visión artificial y, recientemente, la teledetección. En primer lugar, proponemos modelos de superresolución para mejorar los detalles espaciales de las diferentes bandas de Sentinel-2 y, en segundo lugar, proponemos la conjunción de segmentación semántica con superresolución para generar mapas de cobertura terrestre mejorados que se beneficien de los detalles espaciales mejorados de la bandas. En primer lugar, abordamos la superresolución proponiendo dos modelos diferentes, uno para las bandas de 10 m/píxel para alcanzar los 2 m/píxel y otro para las bandas de 20 y 60 m/píxel para alcanzar los 10 m/píxel. Luego, proponemos dos modelos multitareas diferentes para derivar mapas de cobertura terrestre. El primero, que amplía un modelo de segmentación semántica para generar una imagen de superresolución adicional y el segundo, que mejora nuestro primer enfoque de superresolución, para proporcionar también un mapa de segmentación semántica. Combinamos características de las diferentes tareas dentro de un solo modelo para mejorar el rendimiento y generar una imagen de alta resolución con el correspondiente mapa de cobertura terrestre de alta calidad. Todos los modelos desarrollados fueron evaluados, cuantitativa y cualitativamente, utilizando diferentes conjuntos de datos, mostrando unas prestaciones excelentes en el desempeño en diversos escenarios complejos.
ca
dc.format.extent
189 p.
ca
dc.language.iso
eng
ca
dc.publisher
Universitat Politècnica de Catalunya
dc.rights.license
ADVERTIMENT. Tots els drets reservats. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs.
ca
dc.source
TDX (Tesis Doctorals en Xarxa)
dc.subject.other
Àrees temàtiques de la UPC::Enginyeria de la telecomunicació
ca
dc.subject.other
Àrees temàtiques de la UPC::Informàtica
dc.title
Super-resolution and semantic segmentation of remote sensing images using deep learning techniques
ca
dc.type
info:eu-repo/semantics/doctoralThesis
dc.type
info:eu-repo/semantics/publishedVersion
dc.subject.udc
004
ca
dc.subject.udc
52
ca
dc.subject.udc
621.3
ca
dc.contributor.director
Vilaplana Besler, Verónica
dc.contributor.codirector
Marcello Ruiz, Javier
dc.embargo.terms
cap
ca
dc.rights.accessLevel
info:eu-repo/semantics/openAccess
dc.description.degree
DOCTORAT EN TEORIA DEL SENYAL I COMUNICACIONS (Pla 2013)


Documentos

TLFSR1de1.pdf

74.83Mb PDF

Este ítem aparece en la(s) siguiente(s) colección(ones)