ABSTRACT With large amounts of digital map archives becoming available, automatically extracting information from scanned historical maps is needed for many domains that require long-term historical geographic data. Convolutional Neural Networks (CNN) are powerful techniques that can be used for extracting locations of geographic features from scanned maps if sufficient representative training data are available. Existing spatial data can provide the approximate locations of corresponding geographic features in historical maps and thus be useful to annotate training data automatically. However, the feature representations, publication date, production scales, and spatial reference systems of contemporary vector data are typically very different from those of historical maps. Hence, such auxiliary data cannot be directly used for annotation of the precise locations of the features of interest in the scanned historical maps. This research introduces an automatic vector-to-raster alignment algorithm based on reinforcement learning to annotate precise locations of geographic features on scanned maps. This paper models the alignment problem using the reinforcement learning framework, which enables informed, efficient searches for matching features without pre-processing steps, such as extracting specific feature signatures (e.g. road intersections). The experimental results show that our algorithm can be applied to various features (roads, water lines, and railroads) and achieve high accuracy.

中文翻译：

---

使用强化学习自动对齐当代矢量数据和地理参考历史地图

摘要 随着大量数字地图档案的出现，许多需要长期历史地理数据的领域都需要从扫描的历史地图中自动提取信息。卷积神经网络 (CNN) 是一种强大的技术，如果有足够的代表性训练数据可用，可用于从扫描地图中提取地理特征的位置。现有空间数据可以提供历史地图中相应地理特征的大致位置，因此有助于自动注释训练数据。然而，当代矢量数据的特征表示、出版日期、生产比例和空间参考系统通常与历史地图的特征表示非常不同。因此，这种辅助数据不能直接用于标注扫描历史地图中感兴趣特征的精确位置。本研究引入了一种基于强化学习的自动矢量到栅格对齐算法，以在扫描地图上标注地理特征的精确位置。本文使用强化学习框架对对齐问题进行建模，该框架无需预处理步骤（例如提取特定特征签名（例如道路交叉口））即可对匹配特征进行知情、高效的搜索。实验结果表明，我们的算法可以应用于各种特征（道路、水线和铁路）并达到较高的精度。本研究引入了一种基于强化学习的自动矢量到栅格对齐算法，以在扫描地图上标注地理特征的精确位置。本文使用强化学习框架对对齐问题进行建模，该框架无需预处理步骤（例如提取特定特征签名（例如道路交叉口））即可对匹配特征进行知情、高效的搜索。实验结果表明，我们的算法可以应用于各种特征（道路、水线和铁路）并达到较高的精度。本研究引入了一种基于强化学习的自动矢量到栅格对齐算法，以在扫描地图上标注地理特征的精确位置。本文使用强化学习框架对对齐问题进行建模，该框架无需预处理步骤（例如提取特定特征签名（例如道路交叉口））即可对匹配特征进行知情、高效的搜索。实验结果表明，我们的算法可以应用于各种特征（道路、水线和铁路）并达到较高的精度。无需预处理步骤即可高效搜索匹配特征，例如提取特定特征签名（例如道路交叉口）。实验结果表明，我们的算法可以应用于各种特征（道路、水线和铁路）并达到较高的精度。无需预处理步骤即可高效搜索匹配特征，例如提取特定特征签名（例如道路交叉口）。实验结果表明，我们的算法可以应用于各种特征（道路、水线和铁路）并达到较高的精度。