@InProceedings{MoreiraBlanAntoArak:2023:UtAlGe,
               author = "Moreira, Leonardo Assump{\c{c}}{\~a}o and Blanco, Lisandra 
                         Cristine Monteiro and Antonio, Nathan Damas and Araki, Hideo",
          affiliation = "{Universidade Federal do Paran{\'a} (UFPR)} and {Universidade 
                         Federal do Paran{\'a} (UFPR)} and {Universidade Federal do 
                         Paran{\'a} (UFPR)} and {Universidade Federal do Paran{\'a} 
                         (UFPR)}",
                title = "Utiliza{\c{c}}{\~a}o do algoritmo de Generative adversarial 
                         network em super resolu{\c{c}}{\~a}o de imagens para o aumento 
                         de qualidade de modelos de eleva{\c{c}}{\~a}o digitais baseados 
                         em dados SRTM",
            booktitle = "Anais...",
                 year = "2023",
               editor = "Gherardi, Douglas Francisco Marcolino and Arag{\~a}o, Luiz 
                         Eduardo Oliveira e Cruz de and Sanches, Ieda DelArco",
                pages = "e156142",
         organization = "Simp{\'o}sio Brasileiro de Sensoriamento Remoto, 20. (SBSR)",
            publisher = "Instituto Nacional de Pesquisas Espaciais (INPE)",
              address = "S{\~a}o Jos{\'e} dos Campos",
             keywords = "Modelos Digitais de Eleva{\c{c}}{\~a}o, Generative Adversarial 
                         Network, Super Resolu{\c{c}}{\~a}o de Imagens, Machine Learning, 
                         Deep Learning, Digital Elevation Model, Generative Adversarial 
                         Network, Image Super-Resolution, Machine Learning, Deep 
                         Learning.",
             abstract = "Aborda-se o aumento de resolu{\c{c}}{\~a}o espacial de DEM pela 
                         utiliza{\c{c}}{\~a}o de algoritmos de aprendizado profundo 
                         acoplados a t{\'e}cnicas de Super-Resolu{\c{c}}{\~a}o de Imagem 
                         {\'U}nica em modelos digitais de eleva{\c{c}}{\~a}o para obter 
                         vers{\~o}es de melhor qualidade espacial a partir de entradas de 
                         resolu{\c{c}}{\~a}o mais baixa. O desenvolvimento de uma 
                         metodologia baseada em GAN permite melhorar a 
                         resolu{\c{c}}{\~a}o espacial inicial de imagens de baixa 
                         resolu{\c{c}}{\~a}o. A abordagem metodol{\'o}gica utiliza um 
                         conjunto de dados com modelos digitais de eleva{\c{c}}{\~a}o 
                         SRTM (90 metros e 30 metros de resolu{\c{c}}{\~a}o espacial), 
                         criados com o objetivo de permitir a realiza{\c{c}}{\~a}o do 
                         estudo. Verificou-se que ao aumentar o n{\'u}mero de 
                         itera{\c{c}}{\~o}es o desempenho do modelo gerado foi melhorado 
                         e a qualidade da imagem gerada aumentou. Al{\'e}m disso, a 
                         an{\'a}lise visual da imagem gerada contra as de alta e baixa 
                         resolu{\c{c}}{\~a}o mostrou uma grande semelhan{\c{c}}a 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.",
  conference-location = "Florian{\'o}polis",
      conference-year = "02-05 abril 2023",
                 isbn = "978-65-89159-04-9",
             language = "pt",
         organisation = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                  ibi = "8JMKD3MGP6W34M/493UJ7H",
                  url = "http://urlib.net/ibi/8JMKD3MGP6W34M/493UJ7H",
           targetfile = "156142.pdf",
                 type = "Processamento de imagens",
        urlaccessdate = "2024, Apr. 28"
}