面向历史地图的规模化机器学习建筑基准检测管线

历史地图提供了研究过去景观和定居模式的宝贵窗口。虽然先前的研究已利用机器学习技术从历史地图中提取建筑基准,但这些方法大多关注城市地区且 tend to 计算密集。这给需要跨广阔农村地区分析的研究问题(例如验证历史ensus数据或定位被遗弃的定居点)带来了挑战。在本文中,提出了针对稀疏建筑分布的农村地图的规模化且高效的管线以克服这一限制。所述方法采用分层机器学习方法:首先使用卷积神经网络(CNN)分类器逐步筛选不太可能包含建筑的地图区域,显著减少需进行详细分析的区域。随后,剩余的高概率区域使用 CNN 分割算法处理以提取建筑特征。该管线使用来自爱尔兰奥克兰历史 25 英寸地图系列和 6 英寸地图系列的测试区域进行验证,展示了在性能和效率方面都优于传统仅分割方法。将该技术应用于两个地图系列(覆盖相同地理区域)后,突显了其在历史和考古发现方面的潜力。值得注意的是,该管线在 1839 年生产的 6 英寸地图中识别出约 22 座建筑的 Tully, Co. Galway 定居点,但在 1899 年生产的 25 英寸地图中未被识别,这表明该定居点可能在大饥荒期间被遗弃了。