Design of an End-to-End Deep Learning System for the Spectral Band Selection and the Classification of Near-infrared Spectral Signatures

Fonseca Estupiñán, Karen Andrea

Design of an End-to-End Deep Learning System for the Spectral Band Selection and the Classification of Near-infrared Spectral Signatures

dc.contributor.advisor	Argüello Fuentes, Henry
dc.contributor.advisor	García Arenas, Hans Yecid
dc.contributor.advisor	Bacca Quintero, Jorge Luis
dc.contributor.author	Fonseca Estupiñán, Karen Andrea
dc.contributor.evaluator	Gélvez Barrera, Tatiana Carolina
dc.contributor.evaluator	Fajardo Ariza, Carlos Augusto
dc.date.accessioned	2024-05-21T13:44:25Z
dc.date.available	2024-05-21T13:44:25Z
dc.date.created	2024-05-17
dc.date.embargoEnd	2026-05-17
dc.date.issued	2024-05-17
dc.description.abstract	Los datos espectrales proporcionan información específica de los materiales en una amplia gama de longitudes de onda electromagnéticas. Sin embargo, la adquisición de estos datos presenta retos como la redundancia de datos, largos tiempos de adquisición y gran capacidad de almacenamiento. Para hacer frente a estos retos, se introduce la selección de bandas como una estrategia que se centra en utilizar sólo las bandas más relevantes para preservar la información espectral para una tarea específica. Los métodos más avanzados se centran en encontrar las bandas a partir de datos adquiridos previamente, independientemente del sistema óptico y del modelo de clasificación. Sin embargo, algunos métodos de aprendizaje profundo, como extremo a extremo, permiten diseñar sistemas ópticos y aprender los parámetros de la red en conjunto. En este trabajo, modelamos la selección de banda óptica como una capa entrenable acoplada a una red de clasificación cuyos parámetros se aprenden en un marco extremo a extremo. Para garantizar un sistema físicamente implementable, se propusieron dos términos de regularización en el entrenamiento para promover la binarización y el número de bandas seleccionadas, ya que se necesita proporcionar las condiciones para diseñar el elemento físico. También, se implementó un sistema de escaneo de punto, que es la versión emulada de la selección de bandas para firmas espectrales de 15 materiales diferentes. El método propuesto proporciona un mejor rendimiento que los métodos de selección de bandas más avanzados para tres conjuntos de datos espectrales públicos diferentes a pesar de capturar 478 longitudes de onda en una implementación óptica, el mismo rendimiento se logró con datos reducidos, utilizando sólo 4 bandas y en otro sistema se redujo al 2% la cantidad de bandas obteniendo resultados comparables.
dc.description.abstractenglish	Spectral data provides material-specific information across a broad range of electromagnetic wavelengths by capturing numerous spectral bands. However, acquiring such a large amount of data presents challenges such as data redundancy, long acquisition times, and significant storage capacity. To address these challenges, band selection is introduced as a strategy that focuses on using only the most relevant bands to preserve spectral information for a specific task. State-of-the-art methods focus on finding the most significant bands from previously acquired data, regardless of the optical system and classification model. However, some deep learning methods, such as end-to-end frameworks, allow the design of optical systems and the learning of classification network parameters. In this paper, the optical band selection was modeled as a trainable layer coupled with a classification network whose parameters are learned in an end-to-end framework. To guarantee a physically implementable system, two regularization terms were proposed in the training step to promote binarization and also the number of selected bands, as we need to provide the conditions to design the physical element through which the light passes. Also, an optical whiskbroom system was implemented, which is the emulated version of band selection for spectral signatures of 15 different materials. The proposed method provides better performance than state-of-the-art band selection methods for three different public spectral datasets under the same conditions and for the acquired data despite capturing 478 wavelengths in an optical implementation, the equivalent performance can be achieved with reduced data, using only 4 bands and in another system the number of bands was reduced to 2%, obtaining comparable results.
dc.description.cvlac	https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001821801
dc.description.degreelevel	Maestría
dc.description.degreename	Magíster en Ingeniería Electrónica
dc.description.googlescholar	https://scholar.google.com/citations?hl=en&user=KQCZTqAAAAAJ
dc.description.orcid	https://orcid.org/0009-0001-4297-7333
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/20.500.14071/42487
dc.language.iso	eng
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Maestría en Ingeniería Electrónica
dc.publisher.school	Escuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rights	info:eu-repo/semantics/embargoedAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_f1cf
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Imágenes espectrales
dc.subject	Firmas espectrales
dc.subject	Sistemas ópticos
dc.subject	Selección de bandas
dc.subject.keyword	Spectral Imaging
dc.subject.keyword	Spectral Signatures
dc.subject.keyword	Optical Systems
dc.subject.keyword	Band Selection
dc.title	Design of an End-to-End Deep Learning System for the Spectral Band Selection and the Classification of Near-infrared Spectral Signatures
dc.title.english	Design of an End-to-End Deep Learning System for the Spectral Band Selection and the Classification of Near-infrared Spectral Signatures
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