Remote sensing data compression with neural networks
Avui hi ha més satèl·lits en òrbita que mai, un nombre que ha crescut exponencialment en la darrera dècada. La compressió de dades és una tecnologia crucial per a la viabilitat d'aquestes missions, permetent la transmissió i arxiu a llarg termini. En els darrers anys s'ha produït una revol...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Fecha de publicación: | 2024 |
| País: | España |
| Institución: | Universitat Autònoma de Barcelona |
| Repositorio: | Dipòsit Digital de Documents de la UAB |
| Idioma: | inglés |
| OAI Identifier: | oai:ddd.uab.cat:300997 |
| Acceso en línea: | https://ddd.uab.cat/record/300997 |
| Access Level: | acceso abierto |
| Palabra clave: | Compressió Compression Compresión Teledetecció Remote sensing Teledetección Tecnologies |
| Sumario: | Avui hi ha més satèl·lits en òrbita que mai, un nombre que ha crescut exponencialment en la darrera dècada. La compressió de dades és una tecnologia crucial per a la viabilitat d'aquestes missions, permetent la transmissió i arxiu a llarg termini. En els darrers anys s'ha produït una revolució en l'estat de l'art de la compressió d'imatges: la introducció de l'aprenentatge automàtic (ML, de les sigles en anglès). Avenços en el disseny d'arquitectura amb la introducció de xarxes autocodificadores (autoencoders, en anglès), així com la creixent disponibilitat de recursos computacionals per entrenar-los, han propiciat la irrupció d'aquestes tècniques en l'estat de l'art, competint amb algorismes sofisticats que són el resultat de dècades de refinament i innovació. Si bé aquests resultats són de gran interès, i malgrat missions pioneres en l'ús de xarxes neurals a l'espai com Phi-Sat 1 i Phi-Sat 2, romanen divereses barreres clau en la adopció generalitzada d'aquesta tecnologia en l'àmbit de la teledetecció. En aquesta tesi es tracten dues d'aquestes barreres: la complexitat, i l'ajustament de ràtio/qualitat en la compressió. El cost computacional és, potser, la principal barrera en l'adopció de xarxes neurals en l'àmbit de la teledetecció, en particular per a la compressió. La majoria d'avenços en l'estat de l'art de resultats de compressió han vingut de la mà d'arquitectures més computacionalment complexes, inviables en els entorns de baixa potència típics en teledetecció, en especial en aplicacions espacials. S'investiga l'ús d'arquitectures de ML per a la compressió de dades hiperespectrals en clústers de bandes. En primer lloc, es proposa i avalua l'ús d'una transformada espectral lineal seguida d'un compressor de ML 2-dimensional. En una segona contribució s'avalua l'ús d'una arquitectura de compressió en clústers de bandes de mida variable, i s'estudia la reciprocitat entre resultats de compressió i complexitat derivada d'utilitzar clústers de mida variable. Totes dues tècniques obtenen resultats competitius de compressió amb pèrdua en comparació amb una transformada de Karhunen-Loève (KLT) seguida de JPEG 2000 també aplicats en clústers de bandes. Aquestes propostes, així com la majoria de contribucions en el camp de compressió d'imatges amb ML més en general, utilitzen models de ràtio fix: models de compressió que s'optimitzen per a una ràtio-distorsió particular i que només poden comprimir una imatge donada a un ràtio i qualitat determinades. A més de la limitació evident que suposa haver d'entrenar múltiples models independents per a comprimir a diferents qualitats, això suposa una barrera significativa en aplicacions de teledetecció, on els operadors necessiten tenir control sobre el ràtio de compressió o qualitat d'imatge recuperada per a tal d'assegurar que les dades capturades es recuperen adequadament a la Terra. Per a tal efecte, es realitza una modificació d'una arquitectura per a compressió de dades pancromàtiques de complexitat reduïda que permet variar el ràtio de compressió de manera contínua. En una primera contribució es mostra que aquesta variant assoleix resultats similars als models independents de referència, competitius amb estàndards actuals com JPEG 2000 o el CCSDS 122.0-B-2, i es proposa un mètode pràctic per a comprimir les dades a un ràtio de compressió definit per l'usuari, una funcionalitat nova en l'àmbit de compressió d'imatges amb ML. Una segona contribució descriu un mètode basat en la mateixa variant d'arquitectura per a compressió a qualitat fixa, és a dir, comprimir una imatge de tal manera que es recuperi a una qualitat definida per l'usuari. Es mostra que aquest mètode permet recuperar les imatges amb qualitat fixa local (és a dir, que una regió determinada de la imatge es recuperi a aquesta qualitat definida per l'usuari), i que els resultats de compressió ràtio-distorsió amb aquest mètode són equivalents al ràtio fix. |
|---|