FCN-Boosted Historical Map Segmentation with Little Training Data

Abstract

This paper deals with automatic image segmentation in poorly resourced areas. We concentrate on map content segmentation in historical maps as an example of such a domain. In such cases, conventional computer vision (CV) approaches fail in unexpected unique regions such as map content area exceeding the map frame, while deep learning methods lack boundary localization accuracy. Therefore, we propose an efficient approach that combines conventional CV techniques with deep learning and practically eliminates their drawbacks. To do so, we redefine the learning objective of a simple fully convolutional network to make the training easier and the model more robust even with few training samples. The presented method provides excellent results compared to more sophisticated but solely deep learning or traditional computer vision techniques as shown in “MapSeg” segmentation competition, where all other approaches were significantly outperformed. We further propose two additional approaches that improve the original method and set a new state-of-the-art result on the MapSeg dataset. The methods are further tested on an extended version of the Map Border dataset to show their robustness.Tento článek se zabývá automatickou segmentací obrazu v oblastech s nedostatečnými zdroji. Jako příklad takové domény se zaměřujeme na segmentaci obsahu mapy v historických mapách. V takových případech konvenční přístupy počítačového vidění (CV) selhávají v neočekávaných jedinečných oblastech, jako je oblast obsahu mapy přesahující rámec mapy, zatímco metody hlubokého učení postrádají přesnost lokalizace hranic. Proto navrhujeme účinný přístup, který kombinuje konvenční techniky CV s hlubokým učením a prakticky eliminuje jejich nevýhody. Abychom tak učinili, nově definujeme cíl učení jednoduché plně konvoluční sítě, abychom usnadnili školení a model byl robustnější i s několika vzorky školení. Prezentovaná metoda poskytuje vynikající výsledky ve srovnání se sofistikovanějšími, ale pouze hlubokými technikami učení nebo tradičními technikami počítačového vidění, jak se ukázalo v segmentační soutěži „MapSeg“, kde všechny ostatní přístupy výrazně překonaly. Dále navrhujeme dva další přístupy, které vylepšují původní metodu a nastavují nový, nejmodernější výsledek na datové sadě MapSeg. Metody jsou dále testovány na rozšířené verzi datové sady Map Border, aby se ukázala jejich robustnost.