dc.contributorLópez Sotelo, Jesús Alfonso
dc.creatorArroyo Herrera, Christian Danilo
dc.creatorGalíndez Rentería, Sebastián
dc.date.accessioned2020-12-17T12:57:38Z
dc.date.accessioned2022-09-22T18:45:18Z
dc.date.available2020-12-17T12:57:38Z
dc.date.available2022-09-22T18:45:18Z
dc.date.created2020-12-17T12:57:38Z
dc.date.issued2020-11-05
dc.identifierhttp://red.uao.edu.co//handle/10614/12725
dc.identifier.urihttp://repositorioslatinoamericanos.uchile.cl/handle/2250/3457882
dc.description.abstractEl siguiente trabajo es realizado con el fin de encontrar una solución a un problema real que actualmente tiene la Fuerza Aérea Colombiana sede Santiago de Cali, el cual consiste en que la descarga de imágenes satelitales en alta resolución desde el FACSAT-1 toma mucho tiempo. Por lo tanto, se plantea un proceso en el cual se pretende mejorar la resolución de imágenes satelitales en baja resolución, mediante un algoritmo de Inteligencia Artificial orientado al procesamiento de imágenes llamado Super resolución. Para llevar a cabo esta tarea, se organiza el proyecto en una fase de investigación, entrenamiento y validación. De modo tal que conociendo el funcionamiento de los diferentes modelos de Súper Resolución que podemos implementar. Una vez identificados los algoritmos de Redes Neuronales Artificiales a utilizar, se procede a entrenar cada uno de ellos con un dataset de imágenes satelitales con las características específicas. Los resultados obtenidos cumplen con la propuesta planteada, ya que cada uno de los modelos implementados aumenta la resolución de imágenes satelitales proporcionadas por la Fuerza Aérea Colombiana por lo cual se procede a comparar los diferentes resultados que nos brindan para establecer cuál es el modelo óptimo. Se emplean los modelos de Súper Resolución con Redes Neuronales Convolucionales (SRCNN), Súper Resolución con Redes Generativas Adversarias (SRGAN), y dos variaciones de este modelo, dando lugar a Súper Resolución Rápida (Fast-GAN) y Súper Resolución Mejorada (ESRGAN). De la cual se concluye que la que obtuvo mejores resultados a la hora de mejorar la resolución de las imágenes satelitales es el modelo ESRGAN, esto no quiere decir que los modelos previos no generaran resultados positivos
dc.languagespa
dc.publisherUniversidad Autónoma de Occidente
dc.publisherIngeniería Mecatrónica
dc.publisherDepartamento de Automática y Electrónica
dc.publisherFacultad de Ingeniería
dc.relationBEAR, Richard y THIVENT, Damien. Super-Resolution Based on Optical Image Stabilization. United States. US 2014/0125825 A1. 8 de mayo de 2014.
dc.relationBLANCO, E. Introducción a Modelos Generativos Profundos [en línea]. [Consultado: 20 de noviembre de 2019]. Disponible en: https://thinkbig.com/introduccion-a-modelos-generativos-profundos/
dc.relationHILERA, J.R. y MARTÍNEZ, V.J. Redes neuronales artificiales: Fundamentos, modelos y aplicaciones. Madrid: Ra-Ma. 1995.
dc.relationHow satellites can help monitor the health of planet earth [en línea]. Europa: Euronews; [consultado: 04 de noviembre de 2019]. Disponible en Internet: https://www.euronews.com/2016/08/11/how-satellites-can-help-monitor-the-health-of-planet-earth
dc.relationHUANG, T. y TSAI, R. Advances in Computer Vision and Image Processing: Image Reconstruction from incomplete Observations. Greenwich, 1988.
dc.relationMONTAÑO J., ¿Qué son las redes neuronales artificiales? Aplicaciones realizadas en el ámbito de las adicciones. [en línea]. En: Palma Baleares. [consultado 5 de noviembre de 2016]. Disponible en Internet: https://disi.unal.edu.co/~lctorress/RedNeu/LiRna001.pdf
dc.relationOxford Advanced Learner’s Dictionary’s [consultado: 19 de mayo de 2020]. Disponible en Internet: https://www.oxfordlearnersdictionaries.com/
dc.relationSkySat constellation of Terra Bella - formerly SkySat Imaging Program of Skybox Imaging [en línea]. Mountain View: ESA Earth Observation Portal, 2016 [consultado 05 de noviembre de 2019]. Disponible en Internet: https://directory.eoportal.org/web/eoportal/satellite-missions/s/skysat
dc.relationVALSESIA, Diego. Enhancing satellite imagery with deep multi-temporal super-resolution [en línea]: DeepSUM wins ESA’s PROBA-V super-resolution challenge. Italia: Towards Data Science, 2019. [consultado: 5 de noviembre de 2019]. Disponible en Internet: https://towardsdatascience.com/enhancing-satellite-imagery-with-deep-multi-temporal-super-resolution-24f08586ada0
dc.relationXINTAO, Wang, et al. ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks [en línea]. China: ECCV18 Workshops, 2020. [consultado 20 de febrero de 2020]. Disponible en Internet: https://github.com/xinntao/ESRGAN
dc.rightshttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rightsDerechos Reservados - Universidad Autónoma de Occidente
dc.sourceinstname:Universidad Autónoma de Occidente
dc.sourcereponame:Repositorio Institucional UAO
dc.subjectIngeniería Mecatrónica
dc.subjectInteligencia artificial
dc.subjectRed neuronal artificial
dc.subjectRed generativa adversaria
dc.subjectImágenes satelitales
dc.subjectFACSAT-1
dc.titleAplicación de redes neuronales generativas en el mejoramiento de la calidad de imágenes satelitales
dc.typeTrabajo de grado - Pregrado


Este ítem pertenece a la siguiente institución