Show simple item record

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

dc.contributor.advisorKesidis, Anastasios
dc.contributor.authorΞύδας, Χρήστος
dc.date.accessioned2021-11-18T15:53:01Z
dc.date.available2021-11-18T15:53:01Z
dc.date.issued2021-10-14
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/1537
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-1388
dc.description.abstractΟι 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.extent96el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectΒαθιά μάθησηel
dc.subjectΙστορικοί χάρτεςel
dc.subjectΑναγνώριση γεωγραφικών χαρακτηριστικώνel
dc.subjectΤοπογραφικοί χάρτεςel
dc.subjectΜηχανική μάθησηel
dc.subjectΣυνελικτικά νευρωνικά δίκτυαel
dc.subjectΤεχνητά νευρωνικά δίκτυαel
dc.subjectΑναγνώριση αντικειμένωνel
dc.titleΧρήση τεχνικών βαθιάς μάθησης για την αναγνώριση γεωγραφικών χαρακτηριστικών σε ιστορικούς χάρτεςel
dc.title.alternativeDeep learning techniques for the recognition of geographic features in historical mapsel
dc.typeΔιπλωματική εργασίαel
dc.contributor.committeeΠέτσα, Έλλη
dc.contributor.committeeKrassanakis, Vassilios
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Μηχανικών Τοπογραφίας και Γεωπληροφορικήςel
dc.description.abstracttranslatedHistorical 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

Thumbnail

This item appears in the following Collection(s)

Show simple item record

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