| Student: | Sam Van Dyck |
|---|
| Richting: | Master of Science in de industriële wetenschappen: informatica |
|---|
| Abstract: | Oudere topografische kaarten bevatten vaak waardevolle informatie, maar hebben geen of een incomplete set van vectordata.
Dit zorgt ervoor dat wanneer men deze kaarten zou willen gebruiken voor complexe analyses, er voor de kaart eerst manueel alle vectordata zou moeten worden aangemaakt.
Zo een taak is zeer tijdsintensief. Om dit te verlichten, wordt er afgevraagd of het mogelijk is om met hedendaagse segmentatiemodellen de verschillende kenmerken van een topografische kaart te extraheren. Deze technieken zijn al meermaals succesvol getest op satelliet afbeeldingen voor de extractie van verschillende kenmerken.
Het doel van deze masterproef is het trainen van een model dat zelfstandig wegen kan extraheren uit een topografische kaart. Hiervoor zijn twee modellen getraind met vier verschillende backbones en vervolgens vergeleken. Niet alleen zullen de modellen worden vergeleken op basis van scores, maar ook op verschillende kaarten. Het beste model zal worden uitgebreid voor gebruik in een multi-klasse segmentatiemodel.
Vervolgens moeten deze gesegmenteerde wegen gevectoriseerd worden.
Onze resultaten tonen aan dat de hedendaagse segmentatiemodellen effectief kunnen gebruikt worden voor de taak van het segmenteren van wegen uit rasterkaarten. Echter, er blijft nog wel ruimte voor verbetering bij het verwerken van ongeziene data.
|
|---|
| Abstract (Eng): | Older topographical maps regularly contain valuable information, but have no or an incomplete set of vector data.
This ensures that if one would like to use these maps for complex analyses, all vector data would first have to be created manually for the map.
Such a task is very time consuming. To alleviate this, it is questioned whether it is possible to extract the different features of a topographical map with state-of-the-art segmentation models. These techniques have been successfully tested several times on satellite images for the extraction of various features.
The aim of this masters thesis is to train a model that can autonomously extract the roads from a topographical map. Subsequently, these segmented roads will be vectorized.
Our results show that state-of-the-art segmentation models can be used for the task of segmenting roads out of raster map data. |
|---|