De lo superficial a lo profundo: procesamiento eficiente de imágenes hiperespectrales de la observación remota de la tierra y aplicación en tareas de detección de anomalías
- Autores: Zhaoyue Wuz
- Directores de la Tesis: Juan Mario Haut Hurtado (dir. tes.), Antonio Plaza Miguel (codir. tes.)
- Lectura: En la Universidad de Extremadura ( España ) en 2025
- Idioma: español
- Tribunal Calificador de la Tesis: Rafael Pastor Vargas (presid.), Mercedes Eugenia Paoletti Ávila (secret.), Mahdi Khodadadzadeh (voc.)
- Programa de doctorado: Programa de Doctorado en Tecnología Aeroespacial: Ingenierías Electromagnética, Electrónica, Informática y Mecánica por la Universidad de Extremadura y la Universidad de Vigo
- Materias:
- Enlaces
- Resumen
- español
La Observación de la Tierra (EO) recopila datos de teledetección para el monitoreo ambiental, la gestión de recursos y la predicción de desastres. Entre estas tecnologías, las Imágenes Hiperespectrales (HSI) permiten la identificación precisa de objetos mediante el análisis de información espectral y espacial. Sin embargo, la alta dimensionalidad de los datos y la escasez de muestras dificultan su procesamiento en aplicaciones a gran escala. La detección de anomalías en HSI se ha convertido en un tema clave, pero enfrenta desafíos como la incertidumbre de los objetivos, la variabilidad espectral y el uso insuficiente de características.
Esta investigación desarrolla nuevos métodos de aprendizaje automático y profundo para mejorar el análisis de HSI. Se exploran dos enfoques principales: uno basado en la extracción de características de alta dimensionalidad y optimización de modelos en aprendizaje automático tradicional, y otro centrado en la extracción multidimensional y el diseño interpretable de redes en aprendizaje profundo. Entre las propuestas destacan un marco de detección de anomalías basado en representación colaborativa, redes convolucionales deformables guiadas por información de fondo, redes enmascaradas inspiradas en la teoría de la escasez y modelos basados en la teoría de Kolmogorov-Arnold para mejorar la integración espectral-espacial.
Los experimentos realizados muestran que estos métodos superan a los algoritmos de vanguardia en detección de anomalías en HSI, impulsando su aplicación en sectores civiles y militares y contribuyendo a un mejor aprovechamiento de los datos de teledetección hiperespectral.
- English
Earth Observation (EO) collects remote sensing data for environmental monitoring, resource management, and disaster forecasting. Among these technologies, Hyperspectral Imagery (HSI) enables precise object identification by analyzing spectral and spatial information. However, the high dimensionality of the data and the scarcity of samples make large-scale processing challenging. Anomaly detection in HSI has become a key research topic but faces challenges such as target uncertainty, spectral variability, and insufficient feature utilization.
This research develops new machine learning and deep learning methods to enhance HSI analysis. Two main approaches are explored: one focused on high-dimensional feature extraction and model optimization in traditional machine learning, and another centered on multidimensional feature extraction and interpretable network design in deep learning. The proposed methods include a spectral anomaly detection framework based on relaxed collaborative representation, deformable convolutional networks guided by background information, masked networks inspired by sparsity theory to mitigate anomaly-related reconstruction issues, and models based on Kolmogorov-Arnold theory to improve spectral-spatial integration.
Experiments demonstrate that these methods outperform state-of-the-art algorithms in HSI anomaly detection, promoting their application in civilian and military domains and contributing to a more effective use of hyperspectral remote sensing data.
- español
