<?xml version="1.0" encoding="ISO-8859-1"?>
<metadatalist>
	<metadata ReferenceType="Conference Proceedings">
		<site>marte2.sid.inpe.br 802</site>
		<identifier>8JMKD3MGP6W34M/493UJ7H</identifier>
		<repository>sid.inpe.br/marte2/2023/05.08.19.19</repository>
		<lastupdate>2023:05.08.19.19.27 dpi.inpe.br/marte2/2013/05.17.15.03.06 administrator</lastupdate>
		<metadatarepository>sid.inpe.br/marte2/2023/05.08.19.19.27</metadatarepository>
		<metadatalastupdate>2024:01.08.18.11.53 dpi.inpe.br/marte2/2013/05.17.15.03.06 administrator {D 2023}</metadatalastupdate>
		<isbn>978-65-89159-04-9</isbn>
		<citationkey>MoreiraBlanAntoArak:2023:UtAlGe</citationkey>
		<title>Utilização do algoritmo de Generative adversarial network em super resolução de imagens para o aumento de qualidade de modelos de elevação digitais baseados em dados SRTM</title>
		<format>Internet</format>
		<year>2023</year>
		<secondarytype>PRE CN</secondarytype>
		<numberoffiles>2</numberoffiles>
		<size>397 KiB</size>
		<author>Moreira, Leonardo Assumpção,</author>
		<author>Blanco, Lisandra Cristine Monteiro,</author>
		<author>Antonio, Nathan Damas,</author>
		<author>Araki, Hideo,</author>
		<affiliation>Universidade Federal do Paraná (UFPR)</affiliation>
		<affiliation>Universidade Federal do Paraná (UFPR)</affiliation>
		<affiliation>Universidade Federal do Paraná (UFPR)</affiliation>
		<affiliation>Universidade Federal do Paraná (UFPR)</affiliation>
		<electronicmailaddress>leonardoamoreira@gmail.com</electronicmailaddress>
		<electronicmailaddress>lisandrac.blanco@gmail.com</electronicmailaddress>
		<electronicmailaddress>nathandamas@ufpr.br</electronicmailaddress>
		<electronicmailaddress>haraki@ufpr.br</electronicmailaddress>
		<editor>Gherardi, Douglas Francisco Marcolino,</editor>
		<editor>Aragão, Luiz Eduardo Oliveira e Cruz de,</editor>
		<editor>Sanches, Ieda DelArco,</editor>
		<conferencename>Simpósio Brasileiro de Sensoriamento Remoto, 20 (SBSR)</conferencename>
		<conferencelocation>Florianópolis</conferencelocation>
		<date>02-05 abril 2023</date>
		<publisher>Instituto Nacional de Pesquisas Espaciais (INPE)</publisher>
		<publisheraddress>São José dos Campos</publisheraddress>
		<pages>e156142</pages>
		<booktitle>Anais</booktitle>
		<tertiarytype>full paper</tertiarytype>
		<organization>Instituto Nacional de Pesquisas Espaciais (INPE)</organization>
		<transferableflag>1</transferableflag>
		<keywords>Modelos Digitais de Elevação, Generative Adversarial Network, Super Resolução de Imagens, Machine Learning, Deep Learning, Digital Elevation Model, Generative Adversarial Network, Image Super-Resolution, Machine Learning, Deep Learning.</keywords>
		<abstract>Aborda-se o aumento de resolução espacial de DEM pela utilização de algoritmos de aprendizado profundo acoplados a técnicas de Super-Resolução de Imagem Única em modelos digitais de elevação para obter versões de melhor qualidade espacial a partir de entradas de resolução mais baixa. O desenvolvimento de uma metodologia baseada em GAN permite melhorar a resolução espacial inicial de imagens de baixa resolução. A abordagem metodológica utiliza um conjunto de dados com modelos digitais de elevação SRTM (90 metros e 30 metros de resolução espacial), criados com o objetivo de permitir a realização do estudo. Verificou-se que ao aumentar o número de iterações o desempenho do modelo gerado foi melhorado e a qualidade da imagem gerada aumentou. Além disso, a análise visual da imagem gerada contra as de alta e baixa resolução mostrou uma grande semelhança entre as duas primeiras. ABSTRACT: We address the increase in spatial resolution of DEM by using deep learning algorithms coupled with Single Image Super-Resolution techniques in digital elevation models to obtain better spatial quality versions from lower resolution inputs. The development of a methodology based on GAN allows to improve the initial spatial resolution of low resolution images. The methodological approach uses a dataset with SRTM digital elevation models (90 meters and 30 meters of spatial resolution), created with the objective of allowing the study to be carried out. It was found that by increasing the number of iterations the performance of the generated model was improved and the quality of the generated image increased. Furthermore, the visual analysis of the generated image against the high and low resolution ones showed a great similarity between the first two.</abstract>
		<area>SRE</area>
		<type>Processamento de imagens</type>
		<language>pt</language>
		<targetfile>156142.pdf</targetfile>
		<usergroup>simone</usergroup>
		<visibility>shown</visibility>
		<copyright>urlib.net/www/2012/11.12.15.19</copyright>
		<rightsholder>originalauthor yes</rightsholder>
		<mirrorrepository>urlib.net/www/2011/03.29.20.55</mirrorrepository>
		<nexthigherunit>8JMKD3MGP6W34M/495J572</nexthigherunit>
		<hostcollection>dpi.inpe.br/marte2/2013/05.17.15.03.06</hostcollection>
		<username>simone</username>
		<lasthostcollection>dpi.inpe.br/marte2/2013/05.17.15.03.06</lasthostcollection>
		<url>http://marte2.sid.inpe.br/rep-/sid.inpe.br/marte2/2023/05.08.19.19</url>
	</metadata>
</metadatalist>