Cartographic Generalisation with Deep Learning
Master thesis
Permanent lenke
https://hdl.handle.net/11250/2779427Utgivelsesdato
2020Metadata
Vis full innførselSamlinger
Sammendrag
Denne oppgaven eksperimenterer med bruk av milepæler innenfor «Dyp læring» (DeepLearning), dvs. nevrale nettverk, for å utføre kartografisk generalisering. Detteutføres typisk med veldefinerte algoritmer for kart (vektordata). Nevrale nettverklærer å utføre oppgaver ved hjelp av eksempler på start og slutt i utførelsen, og tonevrale nettverk brukes, med én ekstra variant per stykk. Fem typer oppgaver blirgitt, representert av fem datasett av kart. Ved å representere et generaliseringsproblemmed kart, trenes fire nevrale nettverk for å utføre kartografisk generalisering. Én avdisse — CycleGAN — gir konkurransedyktige resultater. Oppgaven bidrar med bevisfor kvalitet og robusthet til nettopp denne, blant andre bidrag, og sammenligner medrelatert arbeid. This thesis tests usage of research milestones from Deep Learning, i.e. neural networks,to perform cartographic generalisation. Generalisation is typically performed withdefined algorithms on maps (vector data). Neural networks learn to perform tasks thatare represented by the start and end product, and two particular neural networks areused, each with one added variation. Five different tasks are given, represented byfive datasets of maps. By representing generalisation problems with maps, four neuralnetworks are trained to perform cartographic generalisation. One of them — CycleGAN— shows competitive results. This thesis contributes evidence to support the qualityand robustness of said network, among other contributions, and makes comparisonswith related work.