論文の概要: Combining Deep Learning and Mathematical Morphology for Historical Map Segmentation

• arxiv url: http://arxiv.org/abs/2101.02144v1
• Date: Wed, 6 Jan 2021 17:24:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-11 04:27:31.219809
• Title: Combining Deep Learning and Mathematical Morphology for Historical Map Segmentation
• Title（参考訳）: 歴史地図セグメンテーションのための深層学習と数学的形態の組み合わせ
• Authors: Yizi Chen (1,2), Edwin Carlinet (1), Joseph Chazalon (1), Cl\'ement Mallet (2), Bertrand Dum\'enieu (3), Julien Perret (2,3) ((1) EPITA Research and Development Lab. (LRDE), EPITA, France, (2) Univ. Gustave Eiffel, IGN-ENSG, LaSTIG, (3) LaD\'eHiS, CRH, EHESS)
• Abstract要約: 主要なマップ機能は、その後のテーマ分析の時間を通して検索および追跡することができる。 この研究の目的は、ベクトル化のステップ、すなわち、地図の画像から興味のある対象のベクトル形状を抽出することである。 特に,建物,建物ブロック,庭園,河川などのクローズドな形状検出に関心がある。 時間的進化を監視するためです
• 参考スコア（独自算出の注目度）: 22.050293193182238
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The digitization of historical maps enables the study of ancient, fragile, unique, and hardly accessible information sources. Main map features can be retrieved and tracked through the time for subsequent thematic analysis. The goal of this work is the vectorization step, i.e., the extraction of vector shapes of the objects of interest from raster images of maps. We are particularly interested in closed shape detection such as buildings, building blocks, gardens, rivers, etc. in order to monitor their temporal evolution. Historical map images present significant pattern recognition challenges. The extraction of closed shapes by using traditional Mathematical Morphology (MM) is highly challenging due to the overlapping of multiple map features and texts. Moreover, state-of-the-art Convolutional Neural Networks (CNN) are perfectly designed for content image filtering but provide no guarantee about closed shape detection. Also, the lack of textural and color information of historical maps makes it hard for CNN to detect shapes that are represented by only their boundaries. Our contribution is a pipeline that combines the strengths of CNN (efficient edge detection and filtering) and MM (guaranteed extraction of closed shapes) in order to achieve such a task. The evaluation of our approach on a public dataset shows its effectiveness for extracting the closed boundaries of objects in historical maps.
• Abstract（参考訳）: 歴史地図のデジタル化は、古代、脆弱、独特、アクセス不能な情報ソースの研究を可能にする。 主要なマップ機能は、その後のテーマ分析の時間を通して検索および追跡することができる。 この研究の目的は、ベクトル化ステップ、すなわち、地図のラスター画像から興味のある対象のベクトル形状を抽出することである。 特に,建物,建物ブロック,庭園,河川などのクローズドな形状検出に関心がある。 時間的進化を監視するためです 歴史的地図画像は重要なパターン認識課題を呈する。 従来の数学的形態学(MM)を用いて閉じた形状を抽出することは、複数の地図特徴やテキストが重複しているため非常に困難である。 さらに、最先端の畳み込みニューラルネットワーク(cnn)は、コンテンツイメージフィルタリングのために完全に設計されているが、閉じた形状検出に関する保証はない。 また、歴史的地図のテクスチャ情報や色情報がないため、CNNがそれらの境界のみで表される形状を検出することは困難である。 我々の貢献は、CNN(エッジ検出とフィルタリングの効率)とMM(閉じた形状の保証抽出)の強みを組み合わせて、そのような課題を達成するパイプラインである。 公共データセットに対する我々のアプローチの評価は、歴史的地図における物体の閉じた境界を抽出する効果を示す。

関連論文リスト

• A Paradigm Shift in Mouza Map Vectorization: A Human-Machine Collaboration Approach [2.315458677488431]
  現在の手動のデジタル化手法は時間と労力がかかる。 本研究では,デジタル化プロセスの効率化と,時間と人的資源の節約を目的とした半自動化手法を提案する。
  論文  参考訳（メタデータ） (2024-10-21T12:47:36Z)
• Cross-attention Spatio-temporal Context Transformer for Semantic Segmentation of Historical Maps [18.016789471815855]
  歴史的地図は、現代の地球観測技術が生まれる前に、地球表面の有用な時間的情報を提供する。 データ依存不確実性として知られるアレタリック不確実性は、元の地図シートの描画/フェーディング欠陥に固有のものである。 より広い範囲で情報を集約する地図と時間的シーケンスを融合するU-based networkを提案する。
  論文  参考訳（メタデータ） (2023-10-19T09:49:58Z)
• Neural Semantic Surface Maps [52.61017226479506]
  本稿では,2つの属とゼロの形状の地図を自動計算する手法を提案する。 提案手法は,手動のアノテーションや3Dトレーニングデータ要求を排除し,意味的表面-表面マップを生成する。
  論文  参考訳（メタデータ） (2023-09-09T16:21:56Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• Depth Completion using Piecewise Planar Model [94.0808155168311]
  深度マップは一連の学習された基底で表現することができ、閉じた解法で効率的に解ける。 しかし、この方法の1つの問題は、色境界が深さ境界と矛盾する場合にアーチファクトを生成することである。 私たちは、より厳密な深度回復モデルを実行します。
  論文  参考訳（メタデータ） (2020-12-06T07:11:46Z)
• Deep Structured Prediction for Facial Landmark Detection [59.60946775628646]
  本稿では,深層畳み込みネットワークと条件付きランダムフィールドを組み合わせた深層構造顔のランドマーク検出手法を提案する。 顔のランドマーク検出における最先端技術よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-10-18T17:09:24Z)
• Automatic extraction of road intersection points from USGS historical map series using deep convolutional neural networks [0.0]
  道路交差点のデータは、異なる地理空間的応用と分析に利用されてきた。 我々は、ディープ畳み込みニューラルネットワークを領域ベースCNNと呼ばれるオブジェクト検出タスクに使用する標準パラダイムを採用した。 また、従来のコンピュータビジョンアルゴリズムと比較して、RCNNはより正確な抽出を提供する。
  論文  参考訳（メタデータ） (2020-07-14T23:51:15Z)
• Boundary Regularized Building Footprint Extraction From Satellite Images Using Deep Neural Network [6.371173732947292]
  本稿では,1つの衛星画像から構築事例を共同で検出し,ノイズの多い建物の境界形状を規則化する,新しいディープニューラルネットワークを提案する。 本モデルでは,オブジェクトの局所化,認識,セマンティックラベリング,幾何学的形状抽出を同時に行うことができる。
  論文  参考訳（メタデータ） (2020-06-23T17:24:09Z)
• Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
  解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。 提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。 3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
  論文  参考訳（メタデータ） (2020-04-17T11:55:03Z)
• Deep Geometric Functional Maps: Robust Feature Learning for Shape Correspondence [31.840880075039944]
  非剛体3次元形状間の対応性を計算するための新しい学習手法を提案する。 提案手法の鍵となるのは, 生形状から直接学習する特徴抽出ネットワークである。
  論文  参考訳（メタデータ） (2020-03-31T15:20:17Z)
• Saliency Enhancement using Gradient Domain Edges Merging [65.90255950853674]
  本研究では,エッジとサリエンシマップをマージして,サリエンシマップの性能を向上させる手法を開発した。 これにより、DUT-OMRONデータセットの少なくとも3.4倍の平均的な改善により、エッジ(SEE)を使用したサリエンシ向上が提案された。 SEEアルゴリズムは前処理のためのSEE-Preと後処理のためのSEE-Postの2つの部分に分けられる。
  論文  参考訳（メタデータ） (2020-02-11T14:04:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。