1. Algorisme de deep learning utilitzant variational autoencoders entrenats amb dades satèl·lit de l'ESA
- Author
-
Universitat Politècnica de Catalunya. Departament de Teoria del Senyal i Comunicacions, Vall-Llossera Ferran, Mercedes Magdalena, Alonso González, Alberto, Bardají Bofill, Isi, Universitat Politècnica de Catalunya. Departament de Teoria del Senyal i Comunicacions, Vall-Llossera Ferran, Mercedes Magdalena, Alonso González, Alberto, and Bardají Bofill, Isi
- Abstract
This remote sensing project, carried out at CommSensLab, has focused on developing a deep learning algorithm using variational autoencoders with data from ESA's SENTINEL-2 mission. The models trained with and without the MSSIM metric in the loss function have been compared, showing that the presence of MSSIM significantly improves the quality of the reconstructions and interpolations, highlighting its sensitivity to fine details and key structures. The variation of parameters such as beta, epochs and latent dimensions have influenced the results. Time constraints and technical challenges, such as network problems, have increased the time to run the code each time a modification was added to the code. The crucial role of the project managers in the successful development of the project is highlighted. The algorithm shows potential applications in the environmental field, with recommendations for future research, including the exploration of alternative metrics and hyperparameter optimization., Este proyecto dentro del ámbito de la teledetección, llevado a cabo en CommSensLab, se ha centrado en desarrollar un algoritmo de aprendizaje profundo utilizando autoencoders variacionales con datos de la misión SENTINEL-2 de la ESA. Se han comparado modelos entrenados con y sin la métrica MSSIM en la función de pérdida, evidenciando que la presencia de MSSIM mejora significativamente la calidad de las reconstrucciones e interpolaciones, destacando su sensibilidad a detalles finos y estructuras clave. La variación de parámetros como beta, epochs y dimensiones latentes han influido en los resultados. Limitaciones temporales y desafíos técnicos, como problemas de red, han aumentado el tiempo para ejecutar el código cada vez que se añadía alguna modificación a este. Se resalta el papel crucial de los directores del proyecto para que este se desarrollase satisfactoriamente. El algoritmo muestra aplicaciones potenciales en el ámbito medioambiental, con recomendaciones para futuras investigaciones, incluyendo la exploración de métricas alternativas y la optimización de hiperparámetros., Aquest projecte dins de l'àmbit de la teledetecció, dut a terme a CommSensLab, s'ha centrat a desenvolupar un algorisme d'aprenentatge profund utilitzant autoencoders variacionals amb dades de la missió SENTINEL-2 de l'ESA. S'han comparat models entrenats amb i sense la mètrica MSSIM en la funció de pèrdua, evidenciant que la presència de MSSIM millora significativament la qualitat de les reconstruccions i interpolacions, destacant-ne la sensibilitat a detalls fins i estructures clau. La variació de paràmetres com a beta, epochs i dimensions latents han influït en els resultats. Limitacions temporals i desafiaments tècnics, com ara problemes de xarxa, han augmentat el temps per executar el codi cada vegada que s'hi afegia alguna modificació. Es ressalta el paper crucial dels directors del projecte perquè aquest es desenvolupés satisfactòriament. L'algorisme mostra aplicacions potencials en l'àmbit mediambiental, amb recomanacions per a investigacions futures, incloent-hi l'exploració de mètriques alternatives i l'optimització d'hiperparàmetres.
- Published
- 2024