Απομοσαϊκοποίηση πολυφασματικών δεδομένων με χρήση Συνελικτικών Νευρωνικών Δικτύων

Ασπρολούπου, Μυρσίνη; Asproloupou, Myrsini

dc.contributor.author	Ασπρολούπου, Μυρσίνη	el
dc.contributor.author	Asproloupou, Myrsini	en
dc.date.accessioned	2025-01-07T12:11:42Z
dc.date.available	2025-01-07T12:11:42Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60628
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28324
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	Artificial Intelligence	en
dc.subject	Deep Learning	en
dc.subject	Computer vision	en
dc.subject	Multispectral images	en
dc.subject	MSFA Demosaicing	en
dc.subject	Image Restoration	en
dc.subject	Image Prior	en
dc.subject	Τεχνητή Νοημοσύνη	el
dc.subject	Βαθιά Μάθηση	el
dc.subject	Όραση υπολογιστών	el
dc.subject	Πολυφασματικές εικόνες	el
dc.subject	Απομοσαϊκοποίηση MSFA	el
dc.subject	Αποκατάσταση εικόνας	el
dc.subject	Προγενέστερη γνώση εικόνας	el
dc.title	Απομοσαϊκοποίηση πολυφασματικών δεδομένων με χρήση Συνελικτικών Νευρωνικών Δικτύων	el
dc.title	Demosaicing of multispectral data using Convolutional Neural Networks	en
heal.type	bachelorThesis
heal.classification	Computer Vision	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-07-17
heal.abstract	Η χρήση πολυφασματικών δεδομένων αποτελεί ένα πολύτιμο εργαλείο που αποδεικνύεται χρήσιμο σε πολλά επιστημονικά πεδία, για αυτό και η μελέτη τους αποτελεί αντικείμενο πολλών πρωτότυπων ερευνητικών εργασιών. Η διαχείριση τέτοιου είδους δεδομένων ποικίλει ανάλογα τη μορφολογία των αισθητήρων που χρησιμοποιούνται και τη σκοπιμότητα κάθε εφαρμογής. Στην προκειμένη περίπτωση, το πρόβλημα που καλούμαστε να αντιμετωπίσουμε είναι αυτό του MSFA demosaicing, δηλαδή της ανακατασκευής πολυφασματικών εικόνων σε πλήρη χωρική ανάλυση για δεδομένα που έχουν ληφθεί από πολυφασματικούς αισθητήρες επίπεδης διάταξης. Ένα τέτοιο πρόβλημα διαχειρίζεται σαν μία super-resolution inverse εργασία. Η προσέγγιση που αναπτύσσεται στην παρούσα διπλωματική συνιστά μία δισκελή μεθοδολογία, με τελικό στόχο την αναδόμηση πολυφασματικών εικόνων που θα προσομοιάζουν σε πολύ καλό βαθμό τα πραγματικά δεδομένα. Αναλυτικά, στο πρώτο στάδιο προσέγγισης αυτής της λύσης χρησιμοποιείται το training free μοντέλο που στηρίζεται στη λογική του Deep Image Prior, που αποτελεί μία εργασία βελτιστοποίησης, δηλαδή γίνεται επίλυση ανά εικόνα, και εξάγει αποτελέσματα εξαιρετικής ανάλυσης. Σε επόμενο στάδιο τα δεδομένα αυτά χρησιμοποιούνται σαν δεδομένα εκπαίδευσης για το επόμενο μοντέλο που είναι δομής τύπου U-Net που αξιοποιεί χαρακτηριστικά attention και recurrent blocks. Το δεύτερο μοντέλο στοχεύει στη μίμηση της διαδικασίας απομοσαϊκοποίησης (demosaicing) των δεδομένων όπως επιτελεί το MD2IP προσεγγίζοντας το δυνατόν περισσότερο την απόδοση του αλλά με ταχύτερη απόκριση. Η παραπάνω μεθοδολογία αξιολογείται με ποσοτικά και ποιοτικά κριτήρια και αποδεικνύει την μεγάλη επιτυχία της συγκεκριμένης πρότασης. Επομένως, με ευκολία μπορεί να ειπωθεί ότι αποτελεί ένα ολοκληρωμένο framework που μπορεί να αξιοποιηθεί μελλοντικά από χρήστες για την επεξεργασία αντίστοιχων πολυφασματικών δεδομένων που ακολουθούν εφάμιλλο τρόπο καταγραφής της πληροφορίας.	el
heal.abstract	The use of multispectral data is a valuable tool that proves useful in many scientific fields, which is why their study is the subject of many original research papers. The management of such data varies depending on the morphology of the sensors used and the purpose of each application. In this case, the problem we are called to address is that of MSFA demosaicing, that is the reconstruction of multispectral images at full spatial resolution for data acquired from multispectral flat array sensors. Such a problem is handled as a super-resolution inverse task. The approach developed in this thesis constitutes a two-part methodology, with the ultimate goal of reconstructing multispectral images that closely resemble real data. Specifically, in the first stage of this solution, a training-free model based on the logic of Deep Image Prior is used, which is an optimization task, meaning it is solved on a per-image basis, and yields results of excellent resolution. In the next stage, these data are used as training data for the next model, which has a U-Net type structure that leverages attention features and recurrent blocks. The second model aims to mimic the demosaicing process of the data as performed by the MD2IP, approximating its performance as closely as possible but with faster response. The aforementioned methodology is evaluated using quantitative and qualitative criteria and demonstrates the great success of this approach. Therefore, it can easily be said that it constitutes a comprehensive framework that can be utilized in the future by users for processing similar multispectral data that follow a comparable method of information recording.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Παπαδοπούλου, Μαρία	el
heal.committeeMemberName	Τσιχριτζής, Βασίλειος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	123 σ.	el
heal.fullTextAvailability	false