Universitat Politècnica de Catalunya. Departament de Teoria del Senyal i Comunicacions, Politecnico di Milano, Marqués Acosta, Fernando, Bestagini, Paolo, Cannas, Edoardo Daniele
Super-Resolution (SR) is a branch of deep learning aiming at improving the resolution of an image preserving as much detail as possible. This technology applied to overhead imagery has been on the rise in the recent years, but the generation of super-resolved images imposes caution when this data is widespread without adequate information. This calls for the presence of techniques that can determine if an image under analysis is super-resolved, or it has been natively generated at high resolution. In this thesis, we focus on three techniques developed using Convolutional Neural Networks (CNNs) for generating SR satellite images, as well as developing a SR detector able to discriminate them. This detector is evaluated in three scenarios: binary classification, multi-class classification and an open-set scenario, showing promising results in all of them. A discussion on the features learnt by the detector is finally proposed with the illustration of future research themes. La Superresolución (SR) es una rama del aprendizaje profundo que tiene como objetivo mejorar la resolución de una imagen preservando el máximo detalle posible. Esta tecnología aplicada a las imágenes aéreas ha estado en auge en los últimos años, pero la generación de imágenes superresueltas impone precaución cuando estos datos se difunden sin la información adecuada. Esto exige la presencia de técnicas que puedan determinar si una imagen analizada ha sido superresuelta o generada de forma nativa a alta resolución. En esta tesis nos centramos en tres técnicas desarrolladas mediante Redes Neuronales Convolucionales (CNNs) para la generación de imágenes satelitales de SR, así como en el desarrollo de un detector de SR capaz de discriminarlas. Este detector se evalúa en tres escenarios: clasificación binaria, clasificación multiclase y un escenario abierto, mostrando resultados prometedores en todos ellos. Finalmente se propone una discusión sobre las características aprendidas por el detector con la ilustración de futuros temas de investigación. La Superresolució (SR) és una branca de l'aprenentatge profund que té com a objectiu millorar la resolució d'una imatge preservant el màxim detall possible. Aquesta tecnologia aplicada a les imatges aèries ha estat en auge en els últims anys, però la generació d'imatges superresoltes imposa precaució quan aquestes dades es difonen sense la informació adequada. Això exigeix la presència de tècniques que puguin determinar si una imatge analitzada ha estat superresolta o generada de manera nativa en alta resolució. En aquesta tesi ens centrem en tres tècniques desenvolupades mitjançant Xarxes Neuronals Convolucionals (CNNs) per a la generació d'imatges satel·litàries de SR, així com en el desenvolupament d'un detector de SR capaç de discriminar-les. Aquest detector s'avalua en tres escenaris: classificació binària, classificació multiclasse i un escenari obert, mostrant resultats prometedors en tots ells. Finalment es proposa una discussió sobre les característiques apreses pel detector amb la il·lustració de futurs temes de recerca.