通过仅从单张地图学习实现序列历史地图的语义分割
计算机视觉与模式识别
2025-01-06 v1
摘要
历史地图是记录过去详细地理信息的宝贵资源。然而，这些地图通常以印刷格式提供，不利于现代基于计算机的分析。将这些地图数字化为机器可读格式能够实现高效的计算分析。在本文中，我们提出了一种使用基于深度学习的语义分割的自动化数字化方法，该方法为扫描的历史地图中的每个像素分配一个语义标签。该过程的一个关键挑战是缺乏训练深度神经网络所需的真实标注，因为人工标注耗时且费力。为了解决这个问题，我们引入了一种用于模型微调的弱监督年龄追踪策略。该方法利用相邻时间段历史地图在外观和土地利用模式上的相似性来指导训练过程。具体而言，将模型对某张地图的预测用作相邻时间段地图训练的伪标签。在我们新整理的 Hameln 数据集上进行的实验表明，与基线模型相比，所提出的年龄追踪策略显著提升了分割性能。在最佳情况下，平均交并比达到了 77.3%，比基线方法提升了约 20%。此外，微调后的模型实现了 97% 的平均总体准确率，突显了我们的方法在历史地图数字化方面的有效性。
引用
@article{arxiv.2501.01845,
title = {Semantic Segmentation for Sequential Historical Maps by Learning from Only One Map},
author = {Yunshuang Yuan and Frank Thiemann and Monika Sester},
journal= {arXiv preprint arXiv:2501.01845},
year = {2025}
}