論文の概要: A Scalable Machine Learning Pipeline for Building Footprint Detection in Historical Maps

• arxiv url: http://arxiv.org/abs/2508.03564v1
• Date: Tue, 05 Aug 2025 15:33:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 18:18:56.048361
• Title: A Scalable Machine Learning Pipeline for Building Footprint Detection in Historical Maps
• Title（参考訳）: 歴史地図におけるフットプリント検出のためのスケーラブルな機械学習パイプライン
• Authors: Annemarie McCarthy,
• Abstract要約: 本稿では,疎度な建物分布を持つ農村マップに適した,スケーラブルで効率的なパイプラインを提案する。 パイプラインは、Ordnance Survey Irelandの履歴25インチマップシリーズと6インチマップシリーズのテストセクションを使用して検証されている。 このパイプラインは1839年に製造された6インチの地図にある、タリー・コ・ゴールウェイの約22の建物を識別したが、1899年に製造された25インチの地図は見つからなかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Historical maps offer a valuable lens through which to study past landscapes and settlement patterns. While prior research has leveraged machine learning based techniques to extract building footprints from historical maps, such approaches have largely focused on urban areas and tend to be computationally intensive. This presents a challenge for research questions requiring analysis across extensive rural regions, such as verifying historical census data or locating abandoned settlements. In this paper, this limitation is addressed by proposing a scalable and efficient pipeline tailored to rural maps with sparse building distributions. The method described employs a hierarchical machine learning based approach: convolutional neural network (CNN) classifiers are first used to progressively filter out map sections unlikely to contain buildings, significantly reducing the area requiring detailed analysis. The remaining high probability sections are then processed using CNN segmentation algorithms to extract building features. The pipeline is validated using test sections from the Ordnance Survey Ireland historical 25 inch map series and 6 inch map series, demonstrating both high performance and improved efficiency compared to conventional segmentation-only approaches. Application of the technique to both map series, covering the same geographic region, highlights its potential for historical and archaeological discovery. Notably, the pipeline identified a settlement of approximately 22 buildings in Tully, Co. Galway, present in the 6 inch map, produced in 1839, but absent from the 25 inch map, produced in 1899, suggesting it may have been abandoned during the Great Famine period.
• Abstract（参考訳）: 歴史的地図は、過去の風景や定住パターンを研究するための貴重なレンズを提供する。 従来の研究では、歴史的地図から建築物の足跡を抽出するために機械学習ベースの技術を活用してきたが、そのようなアプローチは都市部を中心にしており、計算集約的な傾向にある。 これは、歴史的国勢調査データの検証や放棄された集落の配置など、広範囲の田園部での分析を必要とする研究課題を示すものである。 本稿では, この制限を, 建物分布の少ない農村マップに適した, スケーラブルで効率的なパイプラインを提案することによって解決する。 畳み込みニューラルネットワーク(CNN)分類器は、建物を含まない地図区間を段階的にフィルタリングするために最初に使用される。 残りの高確率区間は、CNNセグメンテーションアルゴリズムを用いて処理され、建物の特徴を抽出する。 パイプラインは、Ordnance Survey Irelandの履歴25インチマップシリーズと6インチマップシリーズのテストセクションを使用して検証され、従来のセグメンテーションのみのアプローチと比較して、高いパフォーマンスと改善された効率を実証している。 この手法を同じ地理的領域をカバーする地図シリーズにも適用することは、歴史的・考古学的な発見の可能性を強調している。 特に、このパイプラインはタリーの約22の建物を識別した。 ガルウェイは1839年に生産された6インチ地図に存在しているが、1899年に生産された25インチ地図から外れており、大飢餓時代に放棄された可能性があることを示唆している。

関連論文リスト

• Semantic Segmentation for Sequential Historical Maps by Learning from Only One Map [0.4915744683251151]
  深層学習に基づくセマンティックセグメンテーションを用いたデジタル化の自動化手法を提案する。 このプロセスにおける重要な課題は、ディープニューラルネットワークのトレーニングに必要な地味なアノテーションの欠如である。 モデル微調整のための弱教師付き年齢追跡戦略を導入する。
  論文  参考訳（メタデータ） (2025-01-03T14:55:22Z)
• TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
  我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。 我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。 レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
  論文  参考訳（メタデータ） (2024-11-22T06:13:42Z)
• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• 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)
• Rethinking Spatial Invariance of Convolutional Networks for Object Counting [119.83017534355842]
  局所連結ガウス核を用いて元の畳み込みフィルタを置き換え、密度写像の空間位置を推定する。 従来の研究から着想を得て,大規模なガウス畳み込みの近似を好意的に実装するために,翻訳不変性を伴う低ランク近似を提案する。 提案手法は,他の最先端手法を著しく上回り,物体の空間的位置の有望な学習を実現する。
  論文  参考訳（メタデータ） (2022-06-10T17:51:25Z)
• Identifying Wetland Areas in Historical Maps using Deep Convolutional Neural Networks [0.0]
  本研究は、手描き地図から、湿地の歴史的立地と地理的分布に関する情報を抽出する。 CNNモデルは、スウェーデンのJ"オンク"オープニング郡の歴史的な湿地に関する、手動で事前にラベル付けされたデータセットで訓練される。 訓練されたモデルは、湿原の歴史的地理的分布を推定するGIS層を生成するために、さらに使用される。
  論文  参考訳（メタデータ） (2021-08-09T15:08:07Z)
• FloorLevel-Net: Recognizing Floor-Level Lines with Height-Attention-Guided Multi-task Learning [49.30194762653723]
  本研究は, 教師付き深層学習手法を用いて, ストリートビュー画像中のフロアレベル線の位置を求める問題に対処する。 まず、新しいデータセットをコンパイルし、トレーニングサンプルを合成する新しいデータ拡張スキームを開発する。 次にFloorLevel-Netを設計する。FloorLevel-Netは、ファサードと暗黙のフロアレベルラインの明示的な特徴を関連付けるマルチタスク学習ネットワークである。
  論文  参考訳（メタデータ） (2021-07-06T08:17:59Z)
• 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)
• Combining Deep Learning and Mathematical Morphology for Historical Map Segmentation [22.050293193182238]
  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
  論文  参考訳（メタデータ） (2021-01-06T17:24:57Z)
• 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)
• 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)

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。