Χρήση τεχνικών βαθιάς μάθησης για την αναγνώριση γεωγραφικών χαρακτηριστικών σε ιστορικούς χάρτες

Ξύδας, Χρήστος

dc.contributor.advisor	Kesidis, Anastasios
dc.contributor.author	Ξύδας, Χρήστος
dc.date.accessioned	2021-11-18T15:53:01Z
dc.date.available	2021-11-18T15:53:01Z
dc.date.issued	2021-10-14
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/1537
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-1388
dc.description.abstract	Οι ιστορικοί χάρτες είναι πηγές πολύτιμης πληροφορίας η οποία μπορεί να αξιοποιηθεί σε ένα πλήθος ερευνητικών πεδίων και συνεπώς αποτελούν σημαντικό επιστημονικό εργαλείο, εξαιτίας των συμπερασμάτων που μπορούν να εξαχθούν, σε ιστορικό, οικολογικό και κοινωνικό-οικονομικό επίπεδο. Η εξαγωγή πληροφορίας από χάρτες είναι εν γένει μια σύνθετη διαδικασία η οποία γίνεται ακόμη πιο δύσκολη όταν αφορά υλικό του παρελθόντος λόγω των ιδιαιτεροτήτων που τους χαρακτηρίζουν. Η παρούσα διπλωματική εργασία πραγματεύεται την επίλυση του προβλήματος εντοπισμού γεωγραφικών χαρακτηριστικών, και συγκεκριμένα κτιρίων, σε εικόνες από ιστορικούς τοπογραφικούς χάρτες. Για το σκοπό αυτό μελετήθηκαν σύγχρονα συστήματα μηχανικής μάθησης και ειδικότερα τα τεχνητά νευρωνικά δίκτυα. Ιδιαίτερη έμφαση δόθηκε στις τεχνικές βαθιάς μάθησης που βασίζονται στα υπολογιστικά μοντέλα των Συνελικτικών Νευρωνικών Δικτύων. Στην συνέχεια, υλοποιήθηκε ένα σύστημα βαθιάς μάθησης για τον εντοπισμό των κτιρίων και παράλληλα αναπτύχθηκαν οι κατάλληλες διεργασίες με σκοπό την δημιουργία του κατάλληλου συνόλου δεδομένων εκπαίδευσης από κατάλληλα επιλεγμένα δείγματα εικόνων του χάρτη. Διερευνήθηκε επιπλέον η επίδραση του μεγέθους των δεδομένων εκπαίδευσης καθώς και των διαφορετικών μεθόδων δειγματοληψίας τους στην τελική απόδοση του συστήματος. Επιπλέον, εξετάσθηκαν κρίσιμες παράμετροι της δομής του συνελικτικού δικτύου και κατά πόσον η μεταβολή τους επηρεάζει θετικά την ακρίβεια της προτεινόμενης μεθόδου. Σε κάθε περίπτωση, τα αποτελέσματα των πειραμάτων αξιολογήθηκαν τόσο ποιοτικά όσο και ποσοτικά μέσω ενός συνόλου μετρικών αποτίμησης ώστε να εξαχθούν τα απαραίτητα συμπεράσματα.	el
dc.format.extent	96	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.subject	Βαθιά μάθηση	el
dc.subject	Ιστορικοί χάρτες	el
dc.subject	Αναγνώριση γεωγραφικών χαρακτηριστικών	el
dc.subject	Τοπογραφικοί χάρτες	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Αναγνώριση αντικειμένων	el
dc.title	Χρήση τεχνικών βαθιάς μάθησης για την αναγνώριση γεωγραφικών χαρακτηριστικών σε ιστορικούς χάρτες	el
dc.title.alternative	Deep learning techniques for the recognition of geographic features in historical maps	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Πέτσα, Έλλη
dc.contributor.committee	Krassanakis, Vassilios
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανικών Τοπογραφίας και Γεωπληροφορικής	el
dc.description.abstracttranslated	Historical maps are sources of valuable information that can be used in a number of research fields and are therefore an important scientific tool, because of the conclusions that can be drawn, at the historical, ecological and socio-economic level. Extracting information from maps is generally a complex process which becomes even more difficult when it comes to historical material due to the peculiarities that characterise them. This thesis deals with the problem of locating geographical features, and in particular buildings, in images corresponding to historical topographic maps. For this purpose, modern machine learning systems and in particular artificial neural networks are studied. Particular emphasis is placed on deep learning techniques based on computer models of Convolutional Neural Networks. Then, a deep learning system is implemented to locate the buildings and at the same time proper processes are developed in order to create an adequate set of training data from selected image patches of the historical maps. The effect of the patch size as well as their different sampling methods on the final performance of the system are further investigated. In addition, critical parameters of the network’s structure are examined and whether their change positively affects the accuracy of the proposed method. In each case, the results of the experiments are evaluated both qualitatively and quantitatively through a set of evaluation metrics in order to draw the necessary conclusions.	el

Files in this item

Name:: Ξύδας Χρήστος - διπλωματική ...
Size:: 4.504Mb
Format:: PDF

View/Open

This item appears in the following Collection(s)

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Μηχανικών Τοπογραφίας και Γεωπληροφορικής

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές