Exploration du potentiel de l'apprentissage profond pour la généralisation cartographique

Exploring the potential of deep learning for map generalization

• Auteur / Autrice : Azelle Courtial
• Direction : Guillaume Touya
• Type : Thèse de doctorat
• Discipline(s) : Sciences et Technologies de l'Information Géographique
• Date : Soutenance le 18/01/2023
• Etablissement(s) : Université Gustave Eiffel
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire en Sciences et technologies de l'information géographique (Champs-sur-Marne, Seine-et-Marne) - Laboratoire en Sciences et technologies de l'information géographique (Champs-sur-Marne, Seine-et-Marne)
• Jury : Président / Présidente : Anne Ruas
• Jury : Examinateurs / Examinatrices : Guillaume Touya, Cyril de Runz, Monika Sester, Mathieu Aubry, Xiang Zhang
• Jury : Rapporteurs / Rapporteuses : Cyril de Runz, Monika Sester

Mots clés

Mots clés contrôlés

Système d'information géographique

Topographie

Apprentissage profond

Cartographie -- Logiciels

Mots clés libres

Généralisation cartographique

Apprentissage profond

Réseaux génératifs antagonistes

Map generalization

Deep learning

Generative adversarial networks

Résumé

La généralisation cartographique est un processus qui vise à adapter le niveau de détail de l'information géographique présente sur une carte pour la rendre lisible à une échelle plus petite. L'automatisation de ce processus est complexe mais essentielle à la production de cartes. Nous pensons que la recherche dans ce domaine pourrait bénéficier des avancées récentes en apprentissage profond qui rendent possible la résolution de tâches de plus en plus complexes, grâce à l'utilisation de nombreux exemples déjà bien généralisés. Cette thèse propose d'explorer le potentiel de l'apprentissage profond pour la recherche en généralisation cartographique. L'exploration est construite autour de trois problèmes de généralisation cartographique : la recherche de relations spatiales, la généralisation graphique des routes de montagne, et la généralisation des cartes topographiques complètes à des échelles intermédiaires. Via ces trois cas d'études, nous abordons les questions de recherches liées à la mise en œuvre concrète des modèles d'apprentissage profond pour la généralisation cartographique (jeu de données et architecture), l'évaluation de tels modèles, et leur intégration dans des processus cartographiques préexistants. Outre les modèles et jeux d'entrainements adaptés pour chacun de nos cas d'études, déjà mentionnés, nous proposons des méthodes d'évaluations adaptées aux défis de la généralisation cartographique par apprentissage profond. Finalement, nous proposons un découpage de la généralisation cartographique en sous-problèmes facilitant la résolution par apprentissage, et permettant la génération d'images de cartes généralisées

Map generalization is a process that aims to adapt the level of detail of geographic information for cartography at a small scale. Automating the process is complex but essential in map production. We think this research field could benefit from the recent advances in deep learning that make it possible to solve more and more complex tasks, using numerous training examples.This thesis proposes exploring the potential of deep learning for map generalization. This exploration is built upon three map generalization use cases: recognition of spatial relations, graphic generalization of mountain roads, and generalization of topographic maps at medium scales. These three use cases enable us to address research questions relative to the concrete implementation of deep learning models for map generalization (including dataset creation and architecture), the evaluation of such models and their integration in existing generalization processes. In addition to the models and training set adapted for each of our case studies already mentioned, we propose evaluation methods adapted to the challenges of cartographic generalization by deep learning. Finally, we propose a partitioning of the cartographic generalization into sub-problems facilitating the resolution by learning and allowing the generation of generalized map images