Theran Suárez, Carlos A.

Profile Picture

Filters

2014 - 201912020 - 20221
Reset filters

Settings

Citations

Publication Search Results

Now showing 1 - 2 of 2
  • Thumbnail Image
    Publication
    Factorización incompleta IC (ℓ,τ,m) por bloques para matrices generadas por métodos "Local Discontinuos Galerkin"
    (2014-08) Theran Suárez, Carlos A.; Castillo, Paul E.; College of Arts and Sciences - Sciences; Suazo, Erwin; Schutz, Marko; Department of Mathematics; Cancelos, Silvina
    En este trabajo se presenta una factorización incompleta de Cholesky por bloques LLT . Esta factorización es discutida como una técnica de precondicionamiento, la cual mejora el condicionamiento espectral de la matriz, lo que implica una disminución en el número de iteraciones requeridas para la convergencia de métodos iterativos como lo es el método del Gradiente Conjugado Precondicionado (PCG). Para la construcción del precondicionador se considera una técnica de niveles propuesta en [18] la cual calcula la estructura de elementos no cero del precondicionador, este proceso es conocido como fase simbólica. Uno de los problemas que genera la construcción de un precondicionador para grandes sistemas lineales es la gran cantidad de memoria que se requiere para el almacenamiento de L. Para controlar el consumo de memoria, se usa dos parámetros: el parámetro umbral τ y el parámetro de memoria m, los cuales permiten retener elementos no ceros del factor L. Una versión por bloque de estas técnicas es propuesta para matrices simétricas definidas positivas generadas por el método Local Discontinuous Galerkin.
  • Thumbnail Image
    Publication
    Deep multisource fusion for satellite imagery
    (2022-12-13) Theran Suárez, Carlos A.; Sierra, Heidy; College of Engineering; Arzuaga, Emmanuel; Schutz Schmuck, Marko; Jiménez, Luis O.; Department of Computer Science and Engineering; Morales Payan, Pablo
    Data fusion techniques are still gaining relevant interest in the remote sensing field, opening the opportunity to explore a new alternative to fuse imagery data (Multispectral, Hyperspectral, and LIDAR), enhancing their resolution domains; improving the quality of the image in terms of noise and structural information. Recent Imagery fusion approaches based on Convolutional Neural Networks have been proposed. Although, some constraints are intrinsic to this network. For example, it requires a fixed block size to train the model. Remote sensing research on fusion images is growing as the number of satellites that capture information on different resolution domains increases the required storage size and an alternative to process this data. For example, commercial imaging companies are collecting around 100 terabytes daily, accumulating huge data sets to study the Earth's surface. Consequently, new challenges to the process, management, and storage of this volume of data have arisen. Cloud computing paradigms have the potential to address these challenges through their big pool of resources with low cost, high availability, and storage. In this thesis, we proposed two data fusion approaches based on Long Short Term Memory (LSTM) to overcome the identified constraints and improve the quality of the images. Also, a basic cloud computing platform is developed using Hadoop and Spark to mitigate the need for storage, management, and process remote sensing data.