Coded Aperture Design for Compressive Spectral Image Classification Using Deep Learning

Silva Maldonado, Nelson Mauricio

Coded Aperture Design for Compressive Spectral Image Classification Using Deep Learning

dc.contributor.advisor	Argüello Fuentes, Henry
dc.contributor.advisor	Galvis Carreño, Laura Viviana
dc.contributor.author	Silva Maldonado, Nelson Mauricio
dc.contributor.evaluator	Díaz Díaz, Nelson Eduardo
dc.contributor.evaluator	Medina Rojas, Ferley
dc.date.accessioned	2022-09-24T03:02:16Z
dc.date.available	2022-09-24T03:02:16Z
dc.date.created	2022-09-07
dc.date.issued	2022-09-07
dc.description.abstract	La teoría del sensado compresivo habilita la reconstrucción de imágenes espectrales usando un número menor de observaciones que las dictadas por el enfoque tradicional basado en el teorema de Shannon-Nyquist a través de sistemas de imágenes compresivos (CSI). Estos sistemas CSI se apoyan en un montaje óptico basado en un elemento dispersivo acoplado a una o más aperturas codificadas para capturar y comprimir una escena espectral de manera simultánea. Después, la reconstrucción de la escena subyacente se obtiene a través de algoritmos computacionales. Luego las tareas de procesamiento como clasificación, detección de objetos y segmentación son ejecutadas sobre las imágenes reconstruidas. Sin embargo, este proceso de reconstrucción es costoso desde el punto de vista computacional. La descompresión hace que se requiera más tiempo y recursos para realizar este tipo de tareas . En este trabajo de investigación la clasificación espectral se realiza directamente sobre las medidas comprimidas que se adquirieron a través de una arquitectura óptica que sigue los lineamientos de la teoría de sensado compresivo (CS). Se propone un método de extremo a extremo para la optimización conjunta de las aperturas codificadas y los parámetros del modelo de aprendizaje profundo que se usará para la clasificación. Este enfoque se aplicó a la clasificación de afecciones particulares del limón Tahití (Citrus latifolia), pero puede ser usado para distintos productos agrícolas. Además, con el objetivo de comparar los resultados obtenidos, se encontró que nuestros experimentos mejoraron hasta en un 6\% la precisión en clasificación cuando las aperturas codificadas fueron optimizadas respecto al uso de aperturas aleatorias.
dc.description.abstractenglish	Compressed sensing (CS) theory enables the reconstruction of spectral images (SI) using a lower number of measurements than the traditional Shannon-Nyquist sampling approach, through compressive spectral imaging (CSI) systems. These CSI systems rely on a dispersive-based optical setup coupled to one or more coded apertures to capture and compress a spectral scene simultaneously. Afterward, the reconstruction of the underlying scene is obtained through computational algorithms. Then, processing tasks like classification, object detection, or segmentation are performed over the reconstructed images. However, this reconstruction process is computationally expensive, which introduces a time overhead for these tasks. In this research work, spectral classification is directly performed over compressed measurements acquired through an optical architecture following the CS framework. An end-to-end method to optimize both coded apertures and deep learning model parameters is proposed. This approach has been applied to the grading of particular features of Tahiti lime (Citrus latifolia), but can be used for different agricultural materials. For the purpose of comparison, our experiments improved up to 6\% in classification accuracy over a testing database when the optimized coded apertures were used instead of the random ones.
dc.description.degreelevel	Maestría
dc.description.degreename	Magíster en Ingeniería de Sistemas e Informática
dc.description.googlescholar	https://scholar.google.com/citations?hl=en&user=J8f1RysAAAAJ
dc.description.orcid	0000-0001-8301-3832
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/11790
dc.language.iso	eng
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Maestría en Ingeniería de Sistemas e Informática
dc.publisher.school	Escuela de Ingeniería de Sistemas e Informática
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	optimizacion de extremo a extremo
dc.subject	limon tahiti
dc.subject	Aprendizaje profundo
dc.subject	Clasificación de imagenes espectrales
dc.subject.keyword	Deep learning
dc.subject.keyword	Tahiti lime
dc.subject.keyword	end-to-end optimization
dc.subject.keyword	Spectral image classification
dc.title	Coded Aperture Design for Compressive Spectral Image Classification Using Deep Learning
dc.title.english	Coded Aperture Design for Compressive Spectral Image Classification Using Deep Learning
dc.type.coar	http://purl.org/coar/resource_type/c_bdcc
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Maestría
dspace.entity.type