論文の概要: ICDAR 2021 Competition on Historical Map Segmentation
- arxiv url: http://arxiv.org/abs/2105.13265v1
- Date: Thu, 27 May 2021 16:06:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-28 21:37:02.072039
- Title: ICDAR 2021 Competition on Historical Map Segmentation
- Title（参考訳）: ICDAR 2021 歴史地図セグメンテーションに関するコンペティション
- Authors: Joseph Chazalon (1), Edwin Carlinet (1), Yizi Chen (1 and 2), Julien
Perret (2 and 3), Bertrand Dum\'enieu (3), Cl\'ement Mallet (2), Thierry
G\'eraud (1), Vincent Nguyen (4 and 5), Nam Nguyen (4), Josef Baloun (6 and
7), Ladislav Lenc (6 and 7), Pavel Kr\'al (6 and 7) ((1) EPITA Research and
Development Lab. (LRDE), EPITA, France, (2) Univ. Gustave Eiffel, IGN-ENSG,
LaSTIG, France, (3) LaD\'eHiS, CRH, EHESS, France, (4) L3i, University of La
Rochelle, France, (5) Liris, INSA-Lyon, France, (6) Department of Computer
Science and Engineering, University of West Bohemia, Univerzitn\'i, Pilsen,
Czech Republic, (7) NTIS - New Technologies for the Information Society,
University of West Bohemia, Univerzitn\'i, Pilsen, Czech Republic)
- Abstract要約: ICDAR 2021コンペティション・オン・ヒストリカル・マップ(MapSeg)の最終結果を示す。
Task1はビルディングブロックを検知し、L3IRISチームによって弱教師付きで訓練されたDenseNet-121ネットワークを使用して勝利した。
タスク2は、より大きな地図シートからのセグメンテーションマップの内容で構成され、U-NetライクなFCNとバイナライズ法を組み合わせて検出エッジの精度を高めるためにUWBチームによって獲得された。
Task3は、ジオレファレンスラインの交差点点の配置で構成されており、また、
- 参考スコア（独自算出の注目度）: 16.91792296817538
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: This paper presents the final results of the ICDAR 2021 Competition on
Historical Map Segmentation (MapSeg), encouraging research on a series of
historical atlases of Paris, France, drawn at 1/5000 scale between 1894 and
1937. The competition featured three tasks, awarded separately. Task~1 consists
in detecting building blocks and was won by the L3IRIS team using a
DenseNet-121 network trained in a weakly supervised fashion. This task is
evaluated on 3 large images containing hundreds of shapes to detect. Task~2
consists in segmenting map content from the larger map sheet, and was won by
the UWB team using a U-Net-like FCN combined with a binarization method to
increase detection edge accuracy. Task~3 consists in locating intersection
points of geo-referencing lines, and was also won by the UWB team who used a
dedicated pipeline combining binarization, line detection with Hough transform,
candidate filtering, and template matching for intersection refinement. Tasks~2
and~3 are evaluated on 95 map sheets with complex content. Dataset, evaluation
tools and results are available under permissive licensing at
\url{https://icdar21-mapseg.github.io/}.
- Abstract（参考訳）: 本稿では,1894年から1937年までの1/5000スケールのフランス・パリの一連の歴史地図に関する研究を奨励する,歴史地図セグメンテーションに関するICDAR 2021コンペティション(MapSeg)の最終結果を示す。
コンペティションでは3つの課題がそれぞれ別々に与えられた。
Task~1はビルディングブロックを検出し、L3IRISチームによって、弱い教師付きで訓練されたDenseNet-121ネットワークを使用して勝利した。
このタスクは、検出するために数百の形状を含む3つの大きな画像で評価される。
Task~2は、より大きな地図シートからのセグメンテーションマップの内容で構成され、U-NetライクなFCNとバイナライズ法を組み合わせて検出エッジの精度を高めるためにUWBチームが獲得した。
Task~3は、ジオレファレンスラインの交差点点の位置決めで構成されており、二項化、ハフ変換による線検出、候補フィルタリング、交差修正のためのテンプレートマッチングを組み合わせたパイプラインを使用してUWBチームも勝利した。
タスク~2と~3は、複雑なコンテントを持つ95のマップシートで評価される。
データセット、評価ツール、結果は、parmissive licensing at \url{https://icdar21-mapseg.github.io/} で利用可能である。
関連論文リスト
- A Beam's Eye View to Fluence Maps 3D Network for Ultra Fast VMAT Radiotherapy Planning [1.5770535817140825]
Volumetric Modulated Arc Therapy (VMAT) は、健康な組織を分散しながら放射線を正確に供給することで、がん治療に革命をもたらす。
本稿では,患者データから直接レンスマップを予測することにより,より迅速な深層学習手法を提案する。
我々は、L1とL2の損失の組み合わせと、EclipseとREQUITEデータセットから生成されたRTプランを用いて、教師付き方法でトレーニングした3Dネットワークを開発した。
本ネットワークは,単弧VMAT計画の180個の制御点(CP)に対応する180個のフルレンスマップを共同で予測する。
論文 参考訳（メタデータ） (2025-02-05T16:56:17Z) - The mapKurator System: A Complete Pipeline for Extracting and Linking
Text from Historical Maps [7.209761597734092]
mapKuratorは、マシンラーニングモデルと包括的なデータ処理パイプラインを統合するエンドツーエンドシステムである。
我々はmapKuratorシステムをデプロイし、David Rumsey Historical Mapコレクションに6万以上の地図と1億以上のテキスト/場所名の処理を可能にしました。
論文 参考訳（メタデータ） (2023-06-29T16:05:40Z) - ICDAR 2023 Competition on Structured Text Extraction from Visually-Rich
Document Images [198.35937007558078]
大会は2022年12月30日に開かれ、2023年3月24日に閉幕した。
トラック1には35人の参加者と91人の有効な応募があり、トラック2には15人の参加者と26人の応募がある。
提案手法の性能によると, 複雑なシナリオやゼロショットシナリオにおいて, 期待される情報抽出性能にはまだ大きなギャップがあると考えられる。
論文 参考訳（メタデータ） (2023-06-05T22:20:52Z) - SATR: Zero-Shot Semantic Segmentation of 3D Shapes [74.08209893396271]
大規模オフザシェルフ2次元画像認識モデルを用いて3次元形状のゼロショットセマンティックセマンティックセマンティックセグメンテーションの課題について検討する。
本研究では、SATRアルゴリズムを開発し、ShapeNetPartと提案したFAUSTベンチマークを用いて評価する。
SATRは最先端のパフォーマンスを達成し、ベースラインアルゴリズムを平均mIoUの1.3%と4%で上回っている。
論文 参考訳（メタデータ） (2023-04-11T00:43:16Z) - Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation
for autonomous vehicles [63.20765930558542]
3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。
そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。
ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
論文 参考訳（メタデータ） (2023-02-16T13:41:19Z) - Rapid and robust endoscopic content area estimation: A lean GPU-based
pipeline and curated benchmark dataset [3.1993890965689666]
コンテンツ領域の推定は、内視鏡画像処理やコンピュータビジョンパイプラインにおいて一般的な課題である。
本稿では、エッジ検出と円の嵌合を組み合わせたリーンGPUベースの計算パイプラインの2つの変種を提案する。
そこで本研究では,手動による注釈付きおよび疑似ラベル付きコンテンツ領域の1次データセットを,外科的適応の範囲にわたって提示する。
論文 参考訳（メタデータ） (2022-10-26T15:10:44Z) - AutoMerge: A Framework for Map Assembling and Smoothing in City-scale
Environments [20.534235822927787]
AutoMergeは、多数のマップセグメントを完全なマップに組み立てるためのLiDARデータ処理フレームワークである。
都市規模マージ(120km)とキャンパス規模リピートマージ(4.5km×8)の両方でAutoMergeを実証する。
実験の結果、AutoMergeはセグメント検索において第2と第3のベストメソッドを14%、リコールを24%上回ることがわかった。
論文 参考訳（メタデータ） (2022-07-14T14:49:32Z) - ICDAR 2021 Competition on Components Segmentation Task of Document
Photos [63.289361617237944]
3つの課題タスクが提案され、提供されたデータセット上で異なるセグメンテーションの割り当てが実行される。
収集されたデータはブラジルのいくつかのID文書のもので、その個人情報は便利に交換された。
さまざまなディープラーニングモデルが、各タスクで最高の結果を得るために、さまざまな戦略を持つ参加者によって適用されました。
論文 参考訳（メタデータ） (2021-06-16T00:49:58Z) - Rethinking Localization Map: Towards Accurate Object Perception with
Self-Enhancement Maps [78.2581910688094]
本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。
特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
論文 参考訳（メタデータ） (2020-06-09T12:35:55Z) - Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。
このようなペア関係を学習するための反復アルゴリズムを提案する。
本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
論文 参考訳（メタデータ） (2020-02-19T10:32:03Z)
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。