Segmentace historických map
Segmentation of historical maps by deep learning
Type of document
bakalářská prácebachelor thesis
Author
Matěj Polák
Supervisor
Šimánek Petr
Opponent
Smítková Janků Ladislava
Field of study
Znalostní inženýrstvíStudy program
Informatika, platnost do 2024Institutions assigning rank
katedra aplikované matematikyRights
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
Show full item recordAbstract
Tématem bakalářské práce je použití metod hlubokého učení na úlohu sémantické segmentace historických map. Teoretická část uvádí současné přístupy k segmentace obrazu v kontextu analýzy historických dokumentů. Dále zavádí definice z oblasti zpracování obrazu, strojového učení a aplikované matematiky. V praktické části je analyzován konkrétní dataset historických map a použit pro implementaci dvou modelů hlubokého učení (UNet a TransUNet). Následuje experimentální sekce, v níž jsou sledovány vlivy dílčích modifikací modelů na jejich výkonnost. Výsledky praktické a experimentální části jsou analyzovány v Diskusi. Výstupy práce mohou být dále použity pro studium získávání znalostí z historických dokumentů. The topic of the bachelor's thesis is the use of deep learning in the task of semantic segmentation of historical maps. The theoretical part presents current approaches to image segmentation in the context of historical document analysis. It then introduces definitions from the fields of image processing, machine learning and applied mathematics. In the practical part, a dataset of historical maps is analyzed and used for implementing two different deep learning models (UNet and TransUNet). It is followed by the experimental section, in which the effects of various modifications of the models on their performance are observed. Finally, the results of the practical and experimental parts are analyzed in the Discussion section. The outputs of the thesis can further be applied in the study of acquiring knowledge from historical documents.
Collections
- Bakalářské práce - 18105 [292]