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
—