Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Towards Historical Map Analysis using Deep Learning Techniques

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F23%3A43969452" target="_blank" >RIV/49777513:23520/23:43969452 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://link.springer.com/chapter/10.1007/978-3-031-34111-3_16" target="_blank" >https://link.springer.com/chapter/10.1007/978-3-031-34111-3_16</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/978-3-031-34111-3_16" target="_blank" >10.1007/978-3-031-34111-3_16</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Towards Historical Map Analysis using Deep Learning Techniques

  • Popis výsledku v původním jazyce

    This paper presents methods for automatic analysis of historical cadastral maps. Our goal is to detect important features in individual map sheets to allow their further processing and connecting the sheets into one seamless map that can bebetter presented online. We concentrate on detection of the map frame,which defines the important segment of the map sheet. Other crucial features are so-called inches that define the measuring scale of the map. We also detect the actual map area. We propose novel segmentation approaches that combine standard computer vision techniques with neural nets (NNs). We have shown that combining the standard computer vision techniques with NNs can outperform the state-of-the-art approaches in the scenario when only little training data is available. We have also created a novel annotated dataset that is used for network training and evaluation.

  • Název v anglickém jazyce

    Towards Historical Map Analysis using Deep Learning Techniques

  • Popis výsledku anglicky

    This paper presents methods for automatic analysis of historical cadastral maps. Our goal is to detect important features in individual map sheets to allow their further processing and connecting the sheets into one seamless map that can bebetter presented online. We concentrate on detection of the map frame,which defines the important segment of the map sheet. Other crucial features are so-called inches that define the measuring scale of the map. We also detect the actual map area. We propose novel segmentation approaches that combine standard computer vision techniques with neural nets (NNs). We have shown that combining the standard computer vision techniques with NNs can outperform the state-of-the-art approaches in the scenario when only little training data is available. We have also created a novel annotated dataset that is used for network training and evaluation.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2023

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    AIAI 2023: Artificial Intelligence Applications and Innovations

  • ISBN

    978-3-031-34110-6

  • ISSN

    1868-4238

  • e-ISSN

    1868-422X

  • Počet stran výsledku

    13

  • Strana od-do

    173-185

  • Název nakladatele

    Springer Nature Switzerland AG

  • Místo vydání

    Cham

  • Místo konání akce

    León, Španělsko

  • Datum konání akce

    14. 6. 2023

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku