Cartographic Generalisation with Deep Learning

Abstract

Denne oppgaven eksperimenterer med bruk av milepæler innenfor «Dyp læring» (Deep Learning), dvs. nevrale nettverk, for å utføre kartografisk generalisering. Dette utføres typisk med veldefinerte algoritmer for kart (vektordata). Nevrale nettverk lærer å utføre oppgaver ved hjelp av eksempler på start og slutt i utførelsen, og to nevrale nettverk brukes, med én ekstra variant per stykk. Fem typer oppgaver blir gitt, representert av fem datasett av kart. Ved å representere et generaliseringsproblem med kart, trenes fire nevrale nettverk for å utføre kartografisk generalisering. Én av disse — CycleGAN — gir konkurransedyktige resultater. Oppgaven bidrar med bevis for kvalitet og robusthet til nettopp denne, blant andre bidrag, og sammenligner med relatert arbeid.

This thesis tests usage of research milestones from Deep Learning, i.e. neural networks, to perform cartographic generalisation. Generalisation is typically performed with defined algorithms on maps (vector data). Neural networks learn to perform tasks that are represented by the start and end product, and two particular neural networks are used, each with one added variation. Five different tasks are given, represented by five datasets of maps. By representing generalisation problems with maps, four neural networks are trained to perform cartographic generalisation. One of them — CycleGAN — shows competitive results. This thesis contributes evidence to support the quality and robustness of said network, among other contributions, and makes comparisons with related work.