Synthetic data generation with denoising diffusion probabilistic models for data augmentation in data-limited satellite image classification

Mostra el registre complet Registre parcial de l'ítem

• dc.contributor.author Gómez Argüelles, Gerardo
• dc.contributor.author Tausendschön, Oliver
• dc.contributor.author Cassel, Timothy
• dc.date.accessioned 2025-12-01T15:03:27Z
• dc.date.available 2025-12-01T15:03:27Z
• dc.date.issued 2025-06
• dc.description Treball fi de màster de: Master's Degree in Data Science. Methodology Program. Curs 2024-2025
• dc.description Tutor: Antonio Lozano
• dc.description.abstract Data augmentation is essential for improving deep learning performance with limited data. This thesis examines whether class-conditional Denoising Diffusion Probabilistic Models (DDPMs) can enhance satellite image classification on the EuroSAT dataset. Using a U-Net-based DDPM, we generated synthetic images for ten land cover classes and evaluated ResNet-18 with different real-to-synthetic ratios. Results show that geometric transformations consistently outperform synthetic data, which often degrades performance, especially at higher proportions. However, hybrid approaches improved specific classes, such as AnnualCrop (+2.65 points). Overall, geometric augmentation remains most effective, though class-dependent synthetic strategies show potential for targeted enhancement.
• dc.description.abstract L’augmentació de dades és essencial per millorar el rendiment de l’aprenentatge profund quan les dades són limitades. Aquesta tesi analitza si els Denoising Diffusion Probabilistic Models (DDPM) condicionals per classe poden millorar la classificació d’imatges satel·litals al conjunt de dades EuroSAT. Mitjançant un DDPM basat en U-Net es van generar imatges sintètiques per a deu classes de coberta terrestre i es va avaluar ResNet-18 amb diferents proporcions de dades reals i sintètiques. Els resultats mostren que les transformacions geomètriques superen sistemàticament les dades sintètiques, tot i que els enfocaments híbrids van millorar classes específiques com AnnualCrop (+2.65 punts).
• dc.identifier.uri http://hdl.handle.net/10230/72073
• dc.language.iso eng
• dc.rights This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License
• dc.rights.accessRights info:eu-repo/semantics/openAccess
• dc.rights.uri https://creativecommons.org/licenses/by-nc-nd/4.0
• dc.subject.keyword Data augmentationen
• dc.subject.keyword Diffusion modelsen
• dc.subject.keyword Satellite image classificationen
• dc.subject.keyword Augmentació de dadesca
• dc.subject.keyword Models de difusióca
• dc.subject.keyword Classificació d’imatges satel·litalsca
• dc.subject.other Treball de fi de màster – Curs 2024-2025
• dc.title Synthetic data generation with denoising diffusion probabilistic models for data augmentation in data-limited satellite image classification
• dc.type info:eu-repo/semantics/masterThesis