• deep learning
• fine tuning
• spectral reconstruction
• target detection

Le immagini iperspettrali sono diventate uno strumento fondamentale
in numerosi ambiti applicativi. In particolare, nel settore della difesa,
sono cruciali per il monitoraggio e l’identificazione di obiettivi strategici,
il rilevamento di materiali nascosti e la valutazione della situazione in
scenari militari. Tuttavia, la difficoltà nell’acquisizione di dati iperspet-
trali ad alta risoluzione spettrale, dovuta ai costi elevati e alla necessità
di apparecchiature specializzate, ne limita l’uso su larga scala. In questo
contesto, la Super-Risoluzione spettrale emerge come una promettente
soluzione, permettendo di ricostruire immagini ad alta risoluzione spet-
trale a partire da immagini multispettrali più facilmente accessibili e
meno costose. Il presente lavoro esplora l’applicazione di tecniche avan-
zate di deep learning per la ricostruzione di immagini iperspettrali e
per il miglioramento delle prestazioni nella rivelazione di oggetti, attra-
verso l’uso di reti neurali profonde. In particolare, viene adottato un
approccio basato su architetture all’avanguardia, come MST++ e MIR-
Net. Questi modelli sono stati successivamente applicati per migliorare
la capacità di rivelazione di target in scenari reali. Il successivo uso del
fine tuning ha ulteriormente potenziato le prestazioni di rivelazione de-
gli oggetti, permettendo di ottenere risultati di alta qualità. I risultati
ottenuti mostrano un significativo miglioramento nella qualità spettrale
delle immagini ricostruite e nelle capacità di target detection, confer-
mando l’efficacia delle reti neurali per l’analisi di immagini iperspettrali
ricostruite da dati multispettrali. Questo lavoro contribuisce ad amplia-
re le possibilità di applicazione delle tecnologie iperspettrali, offrendo
soluzioni pratiche ed economiche per scenari che richiedono un’analisi
con alta risoluzione spettrale, come ad esempio nel contesto della difesa,
dove l’accesso a dati iperspettrali può essere limitato.