Ανάλυση και επεξεργασία ιστορικών χαρτών με χρήση τεχνικών βαθιάς μάθησης

Μαλαχία, Σταυρούλα-Θεοφανώ

Historical maps processing and analysis using deep learning techniques

Διπλωματική εργασία

Author

Μαλαχία, Σταυρούλα-Θεοφανώ

Date

2023-07-20

Advisor

Kesidis, Anastasios

malahia_15033.pdf (9.974Mb)

Keywords

Εργαλείο επισήμανσης ; Annotation tool ; Βαθιά μάθηση ; Νευρωνικά δίκτυα ; Ιστορικοί χάρτες ; Αναγνώριση γεωγραφικών χαρακτηριστικών ; Συνελικτικά νευρωνικά δίκτυα ; Αναγνώριση αντικειμένων

Abstract

Οι ιστορικοί τοπογραφικοί χάρτες είναι πηγή πολύτιμων πληροφοριών. Παρέχουν πληροφορίες σχετικά με το γεωγραφικό περιβάλλον και τις ανθρώπινες δραστηριότητες ενός συγκεκριμένου χώρου και χρόνου. Λόγω της χαμηλής γραφικής ποιότητας που χαρακτηρίζει τους παλιούς χάρτες, η εξαγωγή πληροφορίας από αυτούς και μάλιστα με αυτοματοποιημένο τρόπο είναι μια απαιτητική διαδικασία. Η παρούσα διπλωματική εργασία αφορά την ανάλυση και επεξεργασία ιστορικών χαρτών με χρήση τεχνικών βαθιάς μάθησης. Συγκεκριμένα, σκοπός ήταν ο αυτόματος προσδιορισμός των περιγραμμάτων και των αποτυπωμάτων των κτιρίων σε ιστορικούς πολεοδομικούς χάρτες. Για τον σκοπό αυτό χρησιμοποιήθηκε ένα βαθύ νευρωνικό δίκτυο το οποίο εκπαιδεύτηκε με διάφορα δεδομένα εισόδου προκειμένου να εξετασθεί η αποτελεσματικότητά του στον εντοπισμό των κτιρίων. Η εκπαίδευση του νευρωνικού δικτύου βασίστηκε σε ένα σύνολο δεδομένων στα οποία είχαν προηγουμένως επισημανθεί τα κτίρια πάνω στην τοπογραφική εικόνα (ground truth). Για να διευκολυνθεί η διαδικασία επισήμανσης των κτιρίων αναφοράς, αναπτύχθηκε επιπλέον στα πλαίσια της παρούσας εργασίας ένα εργαλείο επισήμανσης (annotation tool) σε ψηφιακές εικόνες προσαρμοσμένο ειδικά για την επισήμανση κτιρίων σε τοπογραφικές εικόνες. Στη συνέχεια πραγματοποιήθηκε η εκπαίδευση και η αξιολόγηση ενός συνελικτικού νευρωνικού δικτύου αρχιτεκτονικής U-Net. Η αποτίμηση του δικτύου πραγματοποιήθηκε με 12 σετ δεδομένων. Αυτά διαφέρουν μεταξύ τους ως προς τον τρόπο δειγματοληψίας με πλεγματική και τυχαία μορφή και ως προς την επιθυμητή έξοδο του δικτύου που αφορούσε τα περιγράμματα όσο και το συνολικό αποτύπωμα των κτιρίων. Ο προσδιορισμός του περιγράμματος των κτιρίων μέσω του αποτυπώματός τους βασίστηκε σε μορφολογικές πράξεις. Η αποτελεσματικότητα του προτεινόμενου δικτύου βαθιάς μάθησης αποτιμήθηκε μέσω διαφόρων μετρικών και αναδείχθηκαν εκείνες οι παράμετροι του συστήματος που δίνουν τα καλύτερα αποτελέσματα στον προσδιορισμό του περιγράμματος και του αποτυπώματος των κτιρίων στον τοπογραφικό χάρτη.

Abstract

Historical topographic maps are a source of valuable information. They provide information about the geographical environment and human activities for a particular place and time. Due to the low graphic quality, extracting information from old maps in an automated manner, is a challenging process. This thesis is about the analysis and processing of historical maps by using deep learning techniques. In particular, it aims to automatically determine the boundaries and the footprints of buildings on historical urban maps. For this purpose, a deep neural network is involved which is equipped with various input data in order to test its effectiveness in identifying buildings. The training of the neural network is based on a dataset in which the buildings on the topographic image have been previously labeled (ground truth). In order to facilitate the process of labeling the reference buildings, an annotation tool on digital images is also developed in the context of this work, which is specifically adapted for the labeling of buildings on topographic images. Subsequently, the training and evaluation of a convolutional neural network of U-Net architecture is carried out. The evaluation of the network is performed with 12 datasets. These differed from each other in terms of the sampling approach which followed a grid and a random mode as well as in terms of the desired network’s output which concerned the boundary and the footprint of the buildings. The determination of the building’s boundaries through its footprint is based on morphological operations. The effectiveness of the proposed deep learning network is evaluated through various metrics and those system parameters that give the best results in determining the boundary and footprint of the buildings on the topographic map are highlighted.