Towards Historical Map Analysis using Deep Learning Techniques

Abstract

This paper presents methods for automatic analysis of historical cadastral maps. Our goal is to detect important features in individual map sheets to allow their further processing and connecting the sheets into one seamless map that can bebetter presented online. We concentrate on detection of the map frame,which defines the important segment of the map sheet. Other crucial features are so-called inches that define the measuring scale of the map. We also detect the actual map area. We propose novel segmentation approaches that combine standard computer vision techniques with neural nets (NNs). We have shown that combining the standard computer vision techniques with NNs can outperform the state-of-the-art approaches in the scenario when only little training data is available. We have also created a novel annotated dataset that is used for network training and evaluation.

Článek představuje metody pro automatickou analýzu historických katastrálních map. Cílem je detekovat důležité prvky v jednotlivých mapových listech a umožnit spojení listů do jednoho bezešvého celku, vhodného pro online prezentaci. Zabýváme se detekcí mapového rámu, který vymezuje vlastní mapu v rámci mapového listu. Další důležité prvky jsou tzv. palce, které definují měřítko mapy. Řešíme rovněž úlohu segmentace mapy. V práci jsou navrženy nové segmentační metody, které kombinují standardní techniky zpracování obrazu s neuronovými sítěmi. Ukázali jsme, že tato kombinace může překonat výsledky v současnosti používaných metod, zejména v případě, že je dostupné malé množství anotovaných dat. V rámci práce byla vytvořena nová datová sada, která je využita pro trénování neuronových sítí a pro vyhodnocení výsledků.