Αφαίρεση σύννεφων από  χρονοσειρές δορυφορικών   δεδομένων Sentinel με τη χρήση δικτύων Axial Transformers

Χριστόπουλος, Διονύσιος; Christopoulos, Dionysios

dc.contributor.author	Χριστόπουλος, Διονύσιος	el
dc.contributor.author	Christopoulos, Dionysios	en
dc.date.accessioned	2022-11-21T10:07:45Z
dc.date.available	2022-11-21T10:07:45Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56195
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23893
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Χρονοσειρές	el
dc.subject	Αναδόμηση	el
dc.subject	Αφαίρεση σύννεφων	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Μηχανισμός προσοχής	el
dc.subject	Sentinel-2	en
dc.subject	Timeseries	en
dc.subject	Reconstruction	en
dc.subject	Cloud-free	en
dc.subject	Axial attention	en
dc.title	Αφαίρεση σύννεφων από χρονοσειρές δορυφορικών δεδομένων Sentinel με τη χρήση δικτύων Axial Transformers	el
dc.title	CLOUD REMOVAL FROM MULTITEMPORAL SATELLITE IMAGES USING AXIAL TRANSFORMER NETWORKS	en
heal.type	bachelorThesis
heal.classification	Τηλεπισκόπηση	el
heal.classification	Remote Sensing	en
heal.classification	Deep Learning	en
heal.classification	Βαθιά Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-07-20
heal.abstract	Η αφαίρεση των συννέφων από δορυφορικά πολυφασματικά δεδομένα είναι ένα κρίσιμο ζήτημα που απασχολεί τον τομέα της Τηλεπισκόπησης, ειδικά με σκοπό την αναδόμηση εικόνων που καλύπτουν περιοχές ενδιαφέροντος. Στην εποχή μας, τέτοιου είδους δεδομένα υψηλής χωρικής και χρονικής ανάλυσης είναι ευρέως διαθέσιμα με τη βοήθεια πολυάριθμων δορυφόρων οι οποίοι βρίσκονται σε τροχιά στο διάστημα και παρακολουθούν συνεχώς τη Γη. Το πρόβλημα έγκειται στο γεγονός ότι μεγάλο πλήθος των συλλεγόμενων δεδομένων δεν μπορεί να χρησιμοποιηθεί καθώς επηρεάζονται απο σύννεφα. Ο βαθμός επιρροής των συννέφων διαφέρει ανά περιοχή και εξαρτάται από τη γεωγραφική της θέση, το κλίμα της και την εποχή στην οποία λαμβάνονται οι παρατηρήσεις. Οι μέθοδοι αφαίρεσης συννέφων που έχουν αναπτυχθεί χωρίζονται σε δύο κατηγορίες, βάση της προσέγγισης του προβλήματος, δηλαδή σε εκείνες που εκμεταλλεύονται τη διαχρονική εξέλιξη των τιμών κάθε εικονοστοστοιχείου και εκείνων που επιχειρούν να γεμίσουν τα κενά βασιζόμενες αποκλειστικά σε μια εικόνα. Οι πρώτες πλεονεκτούν καθώς λαμβάνουν υπόψιν την χρονική μεταβολή των τιμών κάθε εικονοστοιχείου μειώνοντας την αβεβαιότητα πρόβλεψης των τιμών που λείπουν. Διάφορες μέθοδοι βαθιάς μάθησης έχουν αναπτυχθεί για την αφαίρεση νέφους από μια εικόνα, ωστόσο η καταγραφή τόσο των χωρικών όσο και των χρονικών σχέσεων οδηγεί σε βελτιωμένα αποτελέσματα. Προτείνουμε, λοιπόν, μια καινοτόμα μέθοδο αφαίρεσης συννέφων από χρονοσειρές δορυφορικών εικόνων η οποία βασίζεται στα δίκτυα των «Transformers» που χρησιμοποιούν το μηχανισμό του attention (προσοχής) τόσο στη χωρική όσο και στη χρονική διάσταση.	el
heal.abstract	Nowadays, EO data of high spatial and temporal resolution are available thanks to the commissioning of a large fleet of satellites continuously monitoring the earth. However, a large proportion of the collected data cannot be used as they are affected by clouds. This proportion depends on the geographic location of the region, its climate characteristics, and the season. Cloud removal methods can be divided in two main categories, namely, those taking advantage of the temporal evolution of the pixel values and those attempting inpainting/gap-filling of parts affected by clouds in a single image. The first ones have the advantage of being conditioned on the history of each pixel, reducing the prediction uncertainty of the missing values. A few deep learning methods have been developed for single image cloud removal, based on generative neural networks. Capturing both the temporal and spatial relations of the pixels, although more challenging, can lead to improved results. We propose a novel method for cloud removal from multitemporal satellite images based on transformer networks that use the attention mechanism both in the spatial and temporal dimensions.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Καραθανάση, Βασιλεία	el
heal.committeeMemberName	Πατεράκη, Μαρία	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	79 σ.	el
heal.fullTextAvailability	false