Detekce textu v historických mapách
Detection of text in historical maps
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Adam Peňáz
Vedoucí práce
Šimánek Petr
Oponent práce
Smítková Janků Ladislava
Studijní obor
Znalostní inženýrstvíStudijní program
Informatika 2009Instituce přidělující hodnost
katedra aplikované matematikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Detekce textu je náročný úkol, zejména pokud jde o detekci konkrétních typů textu, jako jsou například názvy míst na historických mapách. Tato práce představuje dvě metody založené na konvolučních neuronových sítích, PSENet a TextPMs, implementované v PyTorch knihovně pro detekci názvů míst na historických mapách a hodnotí jejich výkon pomocí Nomenclature datasetu. Kromě toho práce zkoumá účinnost předtrénovaných modelů na TotalText datasetu pro detekci nomenklatur v historických mapách. I když předtrénované modely nedosáhly slibných výsledků, navržené metody dosáhly f-skóre v hodnotě 88,8% a 91,1%, což dokazuje jejich vhodnost pro tuto úlohu. Celkově tato práce přináší přínos do oblasti analýzy historických map tím, že představuje účinné metody pro detekci textu v této náročné oblasti. Text Detection is a challenging task, especially when it comes to detecting specific types of text such as map Nomenclatures on historical maps. This thesis proposes two CNN-based networks, PSENet and TextPMs, implemented in PyTorch for detecting map Nomenclatures, and evaluates their performance using the Nomenclature dataset. Additionally, the thesis explores the effectiveness of pre-trained models on the TotalText dataset for detecting nomenclatures in historical maps. Although pre-trained models did not yield promising results, the proposed methods achieved f-measure scores of 88.8% and 91.1%, respectively, demonstrating their suitability for the task. Overall, the thesis contributes to the field of historical map analysis by introducing effective methods for text detection in this challenging domain.
Kolekce
- Bakalářské práce - 18105 [244]