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). |