Fusión multimodal de datos satelitales para la segmentación de imágenes
[ES] Este trabajo investiga técnicas avanzadas de segmentación de imágenes satelitales mediante la fusión multimodal de datos de diferentes satélites, específicamente Sentinel-1 y Sentinel-2. Sentinel-1 ofrece imágenes RADAR con dos bandas, capaces de capturar imágenes independientemente de las cond...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2024 |
| País: | España |
| Institución: | Universitat Politècnica de València (UPV) |
| Repositorio: | RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia |
| Idioma: | español |
| OAI Identifier: | oai:riunet.upv.es:10251/210909 |
| Acceso en línea: | https://riunet.upv.es/handle/10251/210909 |
| Access Level: | acceso abierto |
| Palabra clave: | Redes neuronales convolucionales Fusión multimodal de datos Imágenes satelitales Segmentación en Imágenes Satelitales Convolutional Neural Networks (CNN) Neural networks Multimodal data fusion Satellite Image Segmentation Satellite imagery LENGUAJES Y SISTEMAS INFORMATICOS TEORÍA DE LA SEÑAL Y COMUNICACIONES Máster Universitario en Inteligencia Artificial, Reconocimiento de Formas e Imagen Digital-Màster Universitari en Intel·ligència Artificial, Reconeixement de Formes i Imatge Digital |
| Sumario: | [ES] Este trabajo investiga técnicas avanzadas de segmentación de imágenes satelitales mediante la fusión multimodal de datos de diferentes satélites, específicamente Sentinel-1 y Sentinel-2. Sentinel-1 ofrece imágenes RADAR con dos bandas, capaces de capturar imágenes independientemente de las condiciones meteorológicas, mientras que Sentinel-2 proporciona imágenes de alta resolución en trece bandas, incluyendo RGB, lo que permite una exploración más detallada para la segmentación. En este estudio, se comparará el rendimiento de los modelos utilizando únicamente imágenes de Sentinel-1 o Sentinel-2, así como diferentes estrategias de fusión: fusión temprana (early fusion), donde todas las imágenes se introducen en un único modelo; fusión intermedia (intermediate fusion), en la que se combinan características de los dos satélites dentro de la arquitectura del modelo; y fusión tardía (late fusion), que integra las salidas de modelos independientes para cada conjunto de datos satelitales, combinándolas al final para obtener la predicción final. Se emplearán sistemas de segmentación basados en redes neuronales convolucionales (CNNs), con arquitecturas adaptadas para integrar la fusión multimodal. Este estudio tiene como objetivo evaluar cómo la fusión de datos multimodal puede mejorar la precisión y eficiencia en la segmentación de imágenes satelitales. |
|---|