Témata prací (Výběr práce)Témata prací (Výběr práce)(verze: 336)
Detail práce
  
Remixing OSM maps using recurrent neural networks
Název práce v češtině: Generování map z OSM pomocí rekurentních neuronových sítí
Název v anglickém jazyce: Remixing OSM maps using recurrent neural networks
Klíčová slova: rekurentní neuronové sítě|open street map|náhodně generovaná média
Klíčová slova anglicky: recurrent neural networks|open street map|random generated media
Akademický rok vypsání: 2019/2020
Typ práce: bakalářská práce
Jazyk práce: angličtina
Ústav: Katedra softwarového inženýrství (32-KSI)
Vedoucí / školitel: RNDr. Miroslav Kratochvíl, Ph.D.
Řešitel: Bc. Filip Sedlák - zadáno a potvrzeno stud. odd.
Datum přihlášení: 28.09.2019
Datum zadání: 30.09.2019
Datum potvrzení stud. oddělením: 21.07.2021
Datum a čas obhajoby: 10.09.2021 09:00
Datum odevzdání elektronické podoby:22.07.2021
Datum odevzdání tištěné podoby:22.07.2021
Datum proběhlé obhajoby: 10.09.2021
Oponenti: doc. RNDr. Martin Kruliš, Ph.D.
 
 
 
Zásady pro vypracování
Generation of random realistic maps is a highly desirable content creation method for entertainment industry. Realism of the output is usually improved by using real-world data as a basis for generation, such as the freely available OpenStreetMap (OSM) data. Although the recurrent neural networks (RNNs) provide a powerful, widely used method for deriving random remixed content from training datasets, direct application to OSM data is complicated by unfitting polygon-based data representation and complexity of the OSM annotations. This thesis will explore the possibilities of avoiding this mismatch by designing an algorithm that adapts the OSM data to RNN input, and converts the RNN output back to OSM-like polygon form. Use of RNNs will be inspired by the pixel recurrent neural networks, as published by Oord et al. (2016). The result will be tested and evaluated on several selected OSM map regions.
Seznam odborné literatury
Oord, A. v. d., Kalchbrenner, N., & Kavukcuoglu, K. (2016). Pixel recurrent neural networks. arXiv preprint arXiv:1601.06759.

Sutskever, I. (2013). Training recurrent neural networks. University of Toronto Toronto, Ontario, Canada.

Theis, L., & Bethge, M. (2015). Generative image modeling using spatial LSTMs. In Advances in neural information processing systems (pp. 1927–1935).
 
Univerzita Karlova | Informační systém UK