Algorithmen zur Analyse historischer Landkarten. Benedikt Budig Universität Würzburg

Transkript

1 Algorithmen zur Analyse historischer Landkarten Benedikt Budig Universität Würzburg

2 Einführung

3 Einführung Algorithmen zur Analyse historischer Landkarten

4 Einführung Algorithmen zur Analyse historischer Landkarten hergestellt im Jahr 1787

5 Einführung Algorithmen zur Analyse historischer Landkarten hergestellt im Jahr 1787

6 Einführung Algorithmen zur Analyse historischer Landkarten größere Bestände vorhanden hergestellt im Jahr 1787

7 Einführung Algorithmen zur Analyse historischer Landkarten größere Bestände vorhanden SUB Göttingen: , HAB: hergestellt im Jahr 1787

8 Einführung Algorithmen zur Analyse historischer Landkarten größere Bestände vorhanden SUB Göttingen: , HAB: Digitalisierung im Gang hergestellt im Jahr 1787

9 Einführung Algorithmen zur Analyse historischer Landkarten größere Bestände vorhanden SUB Göttingen: , HAB: Digitalisierung im Gang mit Spezial-Hardware (Scanner,...) hergestellt im Jahr 1787

10 Einführung Algorithmen zur Analyse historischer Landkarten größere Bestände vorhanden SUB Göttingen: , HAB: Digitalisierung im Gang mit Spezial-Hardware (Scanner,...) hergestellt im Jahr 1787

11 Einführung Algorithmen zur Analyse historischer Landkarten hergestellt im Jahr 1787

12 Einführung enthaltene Ortschaften Algorithmen zur Analyse historischer Landkarten hergestellt im Jahr 1787

13 Einführung enthaltene Ortschaften Geländetopographie Algorithmen zur Analyse historischer Landkarten hergestellt im Jahr 1787

14 Einführung enthaltene Ortschaften Geländetopographie Wälder, Flüsse,... Algorithmen zur Analyse historischer Landkarten hergestellt im Jahr 1787

15 Einführung enthaltene Ortschaften Geländetopographie Wälder, Flüsse,... und vieles mehr! Algorithmen zur Analyse historischer Landkarten hergestellt im Jahr 1787

16 Einführung enthaltene Ortschaften Geländetopographie Wälder, Flüsse,... wertvolle Metadaten und vieles mehr! Algorithmen zur Analyse historischer Landkarten hergestellt im Jahr 1787

17 Einführung enthaltene Ortschaften Geländetopographie Wälder, Flüsse,... wertvolle Metadaten und vieles mehr! Algorithmen zur Analyse historischer Landkarten hergestellt im Jahr 1787

18 Einführung enthaltene Ortschaften Geländetopographie Wälder, Flüsse,... wertvolle Metadaten und vieles mehr! Algorithmen zur Analyse historischer Landkarten hergestellt im Jahr 1787

19 Einführung Zur Erhebung solcher Metadaten sind pro Karte enthaltene Ortschaften Geländetopographie Wälder, Flüsse,... wertvolle Metadaten und vieles mehr! Algorithmen zur Analyse historischer Landkarten hergestellt im Jahr 1787

20 Einführung Zur Erhebung solcher Metadaten sind pro Karte etwa 30 Arbeitsstunden notwendig. enthaltene Ortschaften Geländetopographie Wälder, Flüsse,... wertvolle Metadaten und vieles mehr! Algorithmen zur Analyse historischer Landkarten hergestellt im Jahr 1787

21 Einführung Zur Erhebung solcher Metadaten sind pro Karte etwa 30 Arbeitsstunden notwendig. enthaltene Ortschaften Geländetopographie Wälder, Flüsse,... wertvolle Metadaten und vieles mehr! Algorithmen zur Analyse historischer Landkarten größere Bestände vorhanden SUB Göttingen: , HAB: Digitalisierung im Gang mit Spezial-Hardware (Scanner,...) hergestellt im Jahr 1787

22 Elemente historischer Landkarten

23 Elemente historischer Landkarten Karten-Quelle für diesen Vortrag: Franconica-Sammlung der Uni-Bibliothek Würzburg

24 Elemente historischer Landkarten Karten-Quelle für diesen Vortrag: Franconica-Sammlung der Uni-Bibliothek Würzburg hergestellt im Jahr 1676

25 Elemente historischer Landkarten Karten-Quelle für diesen Vortrag: Franconica-Sammlung der Uni-Bibliothek Würzburg Norden hergestellt im Jahr 1676

26 Elemente historischer Landkarten Karten-Quelle für diesen Vortrag: Franconica-Sammlung der Uni-Bibliothek Würzburg Wald Norden hergestellt im Jahr 1676

27 Elemente historischer Landkarten Karten-Quelle für diesen Vortrag: Franconica-Sammlung der Uni-Bibliothek Würzburg Wald Fluss Norden hergestellt im Jahr 1676

28 Elemente historischer Landkarten Karten-Quelle für diesen Vortrag: Franconica-Sammlung der Uni-Bibliothek Würzburg Wald Fluss Erhebung Norden hergestellt im Jahr 1676

29 Elemente historischer Landkarten Karten-Quelle für diesen Vortrag: Franconica-Sammlung der Uni-Bibliothek Würzburg Wald Fluss Erhebung Norden hergestellt im Jahr 1676 Geländetopogr.

30 Elemente historischer Landkarten Karten-Quelle für diesen Vortrag: Franconica-Sammlung der Uni-Bibliothek Würzburg Wald Fluss Label Erhebung Norden hergestellt im Jahr 1676 Geländetopogr.

31 Elemente historischer Landkarten Karten-Quelle für diesen Vortrag: Franconica-Sammlung der Uni-Bibliothek Würzburg Wald Geländetopogr. Ortsmarkierung Label Fluss Erhebung Norden hergestellt im Jahr 1676

32 Elemente historischer Landkarten Karten-Quelle für diesen Vortrag: Franconica-Sammlung der Uni-Bibliothek Würzburg Wald Ortsmarkierung Label Fluss Erhebung Siedlungstopogr. Norden hergestellt im Jahr 1676 Geländetopogr.

33 Elemente historischer Landkarten Karten-Quelle Extraktionsstrategie: für diesen Vortrag: Franconica-Sammlung der Uni-Bibliothek Würzburg Wald Ortsmarkierung Label Fluss Erhebung Siedlungstopogr. Norden hergestellt im Jahr 1676 Geländetopogr.

34 Elemente historischer Landkarten Karten-Quelle Extraktionsstrategie: für diesen findevortrag: die revelanten Elemente... Franconica-Sammlung der Uni-Bibliothek Würzburg Wald Ortsmarkierung Label Fluss Erhebung Siedlungstopogr. Norden hergestellt im Jahr 1676 Geländetopogr.

35 Elemente historischer Landkarten Karten-Quelle Extraktionsstrategie: für diesen findevortrag: die revelanten Elemente... Franconica-Sammlung... und lies die zugehörigen der Uni-Bibliothek BeschriftungenWürzburg Wald Ortsmarkierung Label Fluss Erhebung Siedlungstopogr. Norden hergestellt im Jahr 1676 Geländetopogr.

36 Verarbeitungs-Pipeline

37 Verarbeitungs-Pipeline Input

38 Verarbeitungs-Pipeline Input Historische Landkarte

39 Verarbeitungs-Pipeline Input Output Historische Landkarte Georeferenzierte Karte

40 Verarbeitungs-Pipeline Input Output Historische Landkarte Georeferenzierte Karte Orte Index enth. Ortschaften

41 Verarbeitungs-Pipeline Input Output Historische Landkarte Georeferenzierte Karte Orte Index enth. Ortschaften Geländemerkmale

42 Verarbeitungs-Pipeline Input Historische Landkarte Segmentierung, feature extraction Output Georeferenzierte Karte Orte Index enth. Ortschaften Geländemerkmale

43 Verarbeitungs-Pipeline Input Historische Landkarte Segmentierung, feature extraction Output Georeferenzierte Karte Orte Index enth. Ortschaften Geländemerkmale

44 Verarbeitungs-Pipeline Input Historische Landkarte Segmentierung, feature extraction Feedback Output Georeferenzierte Karte Orte Index enth. Ortschaften Geländemerkmale

45 Verarbeitungs-Pipeline Input Historische Landkarte Segmentierung, feature extraction Analyse Geländetopographie Feedback Output Georeferenzierte Karte Orte Index enth. Ortschaften Geländemerkmale

46 Verarbeitungs-Pipeline Input Historische Landkarte Segmentierung, feature extraction Analyse Geländetopographie Feedback Output Georeferenzierte Karte Orte Zuordnung der Beschriftungen Index enth. Ortschaften Geländemerkmale

47 Verarbeitungs-Pipeline Input Historische Landkarte Segmentierung, feature extraction Analyse Geländetopographie Feedback Output Georeferenzierte Karte Orte Zuordnung der Beschriftungen OCR von Beschriftungen Index enth. Ortschaften Geländemerkmale

48 Verarbeitungs-Pipeline Input Historische Landkarte Namen Segmentierung, feature extraction Analyse Geländetopographie Feedback Output Georeferenzierte Karte Orte Wörterbuch mit hist. Ortsnamen Zuordnung der Beschriftungen OCR von Beschriftungen Index enth. Ortschaften Geländemerkmale

49 Verarbeitungs-Pipeline Input Historische Landkarte Namen Segmentierung, feature extraction Analyse Geländetopographie Feedback Output Georeferenzierte Karte Orte Wörterbuch mit hist. Ortsnamen Zuordnung der Beschriftungen OCR von Beschriftungen Index enth. Ortschaften Modernes Kartenmaterial Geländemerkmale

50 Verarbeitungs-Pipeline Input Historische Landkarte Namen Segmentierung, feature extraction Analyse Geländetopographie Feedback Output Georeferenzierte Karte Orte Wörterbuch mit hist. Ortsnamen Zuordnung der Beschriftungen OCR von Beschriftungen Index enth. Ortschaften Modernes Kartenmaterial Georeferenzierung von Orten Geländemerkmale

51 Verarbeitungs-Pipeline Input Historische Landkarte Namen Segmentierung, feature extraction Analyse Geländetopographie Feedback Output Georeferenzierte Karte Orte Wörterbuch mit hist. Ortsnamen Zuordnung der Beschriftungen OCR von Beschriftungen Index enth. Ortschaften Modernes Kartenmaterial Georeferenzierung von Orten Geländemerkmale

52 Verarbeitungs-Pipeline Input Historische Landkarte Namen Segmentierung, feature extraction Analyse Geländetopographie Feedback Output Georeferenzierte Karte Orte Wörterbuch mit hist. Ortsnamen Zuordnung der Beschriftungen OCR von Beschriftungen Feedback Index enth. Ortschaften Modernes Kartenmaterial Georeferenzierung von Orten Geländemerkmale

53 Verarbeitungs-Pipeline Input Historische Landkarte Namen Segmentierung, feature extraction Analyse Geländetopographie Feedback Output Georeferenzierte Karte Orte Wörterbuch mit hist. Ortsnamen Zuordnung der Beschriftungen OCR von Beschriftungen Feedback Index enth. Ortschaften Modernes Kartenmaterial Georeferenzierung von Orten Geländemerkmale

54 Ausgangssituation

55 Ausgangssituation Input:

56 Ausgangssituation Input: Menge von Ortsmarkierungen P, dargestellt durch achsenparallele bounding boxes.

57 Ausgangssituation Input: Menge von Ortsmarkierungen P, dargestellt durch achsenparallele bounding boxes.

58 Ausgangssituation Input: Menge von Ortsmarkierungen P, dargestellt durch achsenparallele bounding boxes. Menge von Labels L, ebenfalls dargestellt durch achsenparallele bounding boxes.

59 Ausgangssituation Input: Menge von Ortsmarkierungen P, dargestellt durch Mengeachsenparallele von Labels L bounding boxes. Problem: Welches MengeLabel von Labels beschriftet L, ebenfalls welche Ortsmarkierung? dargestellt durch achsenparallele bounding boxes.

60 Ausgangssituation Input: Menge von Ortsmarkierungen P, dargestellt durch Mengeachsenparallele von Labels L bounding boxes. Problem: Welches MengeLabel von Labels beschriftet L, ebenfalls welche Ortsmarkierung? dargestellt durch achsenparallele bounding boxes.

61 Ausgangssituation Input: Menge von Ortsmarkierungen P, dargestellt durch Mengeachsenparallele von Labels L bounding boxes. Problem: Welches MengeLabel von Labels beschriftet L, ebenfalls welche Ortsmarkierung? dargestellt durch achsenparallele bounding boxes.

62 Ausgangssituation Input: Menge von Ortsmarkierungen P, dargestellt durch Mengeachsenparallele von Labels L bounding boxes. Problem: Welches MengeLabel von Labels beschriftet L, ebenfalls welche Ortsmarkierung? dargestellt durch achsenparallele bounding boxes.

63 Ausgangssituation Input: Menge von Ortsmarkierungen P, dargestellt durch Mengeachsenparallele von Labels L bounding boxes. Problem: Welches MengeLabel von Labels beschriftet L, ebenfalls welche Ortsmarkierung? dargestellt durch achsenparallele bounding boxes.

64 Ausgangssituation Input: Menge von Ortsmarkierungen P, dargestellt durch Mengeachsenparallele von Labels L bounding boxes. Problem: Welches MengeLabel von Labels beschriftet L, ebenfalls welche Ortsmarkierung? dargestellt durch achsenparallele bounding boxes.

65 Ausgangssituation Input: Menge von Ortsmarkierungen P, dargestellt durch Mengeachsenparallele von Labels L bounding boxes. Problem: Welches MengeLabel von Labels beschriftet L, ebenfalls welche Ortsmarkierung? dargestellt durch achsenparallele bounding boxes.

66 Ausgangssituation Input: Menge von Ortsmarkierungen P, dargestellt durch Mengeachsenparallele von Labels L bounding boxes. Problem: Welches MengeLabel von Labels beschriftet L, ebenfalls welche Ortsmarkierung? dargestellt durch achsenparallele bounding boxes.

67 Ausgangssituation Input: Menge von Ortsmarkierungen P, dargestellt durch Mengeachsenparallele von Labels L bounding boxes. Problem: Welches MengeLabel von Labels beschriftet L, ebenfalls welche Ortsmarkierung? dargestellt durch achsenparallele bounding boxes.

68 Ausgangssituation Input: Menge von Ortsmarkierungen P, dargestellt durch Mengeachsenparallele von Labels L bounding boxes. Problem: Welches MengeLabel von Labels beschriftet L, ebenfalls welche Ortsmarkierung? dargestellt durch achsenparallele bounding boxes. Dieses Problem ist schwierig, auch für Menschen!

69 Modellierung als Optimierungsproblem

70 Modellierung als Optimierungsproblem Gesucht: Ein Matching von Labels und Ortsmarkierungen, so dass

71 Modellierung als Optimierungsproblem Gesucht: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist.

72 Modellierung als Optimierungsproblem Gesucht: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist.

73 Modellierung als Optimierungsproblem Gesucht: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist.

74 Modellierung als Optimierungsproblem Gesucht: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist. Keine 1-zu-1-Zuordnung aufgrund

75 Modellierung als Optimierungsproblem Gesucht: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist. Keine 1-zu-1-Zuordnung aufgrund fehlender Elemente in den historischen Karten

76 Modellierung als Optimierungsproblem Gesucht: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist. Keine 1-zu-1-Zuordnung aufgrund fehlender Elemente in den historischen Karten etwaiger Fehler in vorhergehender Segmentierung

77 Modellierung als Optimierungsproblem Gesucht: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist.

78 Modellierung als Optimierungsproblem Gesucht: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist. Ziele:

79 Modellierung als Optimierungsproblem Gesucht: Ziele: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist. Welche Eigenschaften muss ein Matching M erfüllen, um gut zu sein?

80 Modellierung als Optimierungsproblem Gesucht: Ziele: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist. Welche Eigenschaften muss ein Matching M erfüllen, um gut zu sein?

81 Modellierung als Optimierungsproblem Gesucht: Ziele: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist. Welche Eigenschaften muss ein Matching M erfüllen, um gut zu sein?

82 Modellierung als Optimierungsproblem Gesucht: Ziele: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist. Welche Eigenschaften muss ein Matching M erfüllen, um gut zu sein? Abstand zwischen Markierungen und zugeordneten Labels soll klein sein

83 Modellierung als Optimierungsproblem Gesucht: Ziele: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist. Welche Eigenschaften muss ein Matching M erfüllen, um gut zu sein? Abstand zwischen Markierungen und zugeordneten Labels soll klein sein Matching soll möglichst groß sein

84 Modellierung als Optimierungsproblem Gesucht: Ziele: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist. Welche Eigenschaften muss ein Matching M erfüllen, um gut zu sein? Abstand zwischen Markierungen und zugeordneten Labels soll klein sein Matching soll möglichst groß sein

85 Modellierung als Optimierungsproblem Gesucht: Ziele: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist. Welche Eigenschaften muss ein Matching M erfüllen, um gut zu sein? Abstand zwischen Markierungen und zugeordneten Labels soll klein sein (1) Die Summe über d(p, l) für alle (p, l) M ist klein Matching soll möglichst groß sein

86 Modellierung als Optimierungsproblem Gesucht: Ziele: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist. Welche Eigenschaften muss ein Matching M erfüllen, um gut zu sein? Abstand zwischen Markierungen und zugeordneten Labels soll klein sein (1) Die Summe über d(p, l) für alle (p, l) M ist klein (2) M enthält viele Elemente Matching soll möglichst groß sein

87 Modellierung als Optimierungsproblem Gesucht: Ziele: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist. Welche Eigenschaften muss ein Matching M erfüllen, um gut zu sein? Abstand zwischen Markierungen und zugeordneten Labels soll klein sein Matching soll möglichst groß sein (1) Die Summe über d(p, l) für alle (p, l) M ist klein (2) M enthält viele Elemente (3) Keine Zuordnung (p, l) M hat Abstand d(p, l) > r

88 Modellierung als Optimierungsproblem Gesucht: Ziele: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist. Welche Eigenschaften muss ein Matching M erfüllen, um gut zu sein? Abstand zwischen Markierungen und zugeordneten Labels soll klein sein Matching soll möglichst groß sein (1) Die Summe über d(p, l) für alle (p, l) M ist klein (2) M enthält viele Elemente (3) Keine Zuordnung (p, l) M hat Abstand d(p, l) > r Suchradius

89 Modellierung als Optimierungsproblem Gesucht: Ziele: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist. Welche Eigenschaften muss ein Matching M erfüllen, um gut zu sein? (1) Summe über d(p, l) für alle (p, l) M ist klein (2) M enthält viele Elemente (3) Keine Zuordnung (p, l) M mit d(p, l) > r

90 Modellierung als Optimierungsproblem Gesucht: Ziele: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist. Welche Eigenschaften muss ein Matching M erfüllen, um gut zu sein? (1) Summe über d(p, l) für alle (p, l) M ist klein (2) M enthält viele Elemente (3) Keine Zuordnung (p, l) M mit d(p, l) > r Greedy-Strategie? Nimm die beiden Elemente mit dem geringsten Abstand und wiederhole.

91 Modellierung als Optimierungsproblem Gesucht: Ziele: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist. Welche Eigenschaften muss ein Matching M erfüllen, um gut zu sein? (1) Summe über d(p, l) für alle (p, l) M ist klein (2) M enthält viele Elemente (3) Keine Zuordnung (p, l) M mit d(p, l) > r Greedy-Strategie? Nimm die beiden Elemente mit dem geringsten Abstand und wiederhole. Schlechte Ergebnisse!

92 Modellierung als Optimierungsproblem Gesucht: Ziele: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist. Welche Eigenschaften muss ein Matching M erfüllen, um gut zu sein? (1) Summe über d(p, l) für alle (p, l) M ist klein (2) M enthält viele Elemente (3) Keine Zuordnung (p, l) M mit d(p, l) > r Zielfunktion:

93 Modellierung als Optimierungsproblem Gesucht: Ziele: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist. Welche Eigenschaften muss ein Matching M erfüllen, um gut zu sein? (1) Summe über d(p, l) für alle (p, l) M ist klein (2) M enthält viele Elemente (3) Keine Zuordnung (p, l) M mit d(p, l) > r Zielfunktion: f obj (M) = maximiere (p,l) M r d(p, l)

94 Modellierung als Optimierungsproblem Gesucht: Ziele: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist. Welche Eigenschaften muss ein Matching M erfüllen, um gut zu sein? (1) Summe über d(p, l) für alle (p, l) M ist klein (2) M enthält viele Elemente (3) Keine Zuordnung (p, l) M mit d(p, l) > r Zielfunktion: f obj (M) = maximiere (p,l) M r d(p, l)

95 Modellierung als Optimierungsproblem Gesucht: Ziele: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist. Welche Eigenschaften muss ein Matching M erfüllen, um gut zu sein? (1) Summe über d(p, l) für alle (p, l) M ist klein (2) M enthält viele Elemente (3) Keine Zuordnung (p, l) M mit d(p, l) > r Zielfunktion: f obj (M) = maximiere (p,l) M r d(p, l)

96 Modellierung als Optimierungsproblem Gesucht: Ziele: Ein Matching von Labels und Ortsmarkierungen, so dass jedes p P höchstens einem l L und jedes l L höchstens einem p P zugeordnet ist. Welche Eigenschaften muss ein Matching M erfüllen, um gut zu sein? (1) Summe über d(p, l) für alle (p, l) M ist klein (2) M enthält viele Elemente (3) Keine Zuordnung (p, l) M mit d(p, l) > r Zielfunktion: f obj (M) = maximiere (p,l) M r d(p, l)

97 Polynomialzeit-Algorithmus

98 Polynomialzeit-Algorithmus Problem: Finde Matching M von Labels und Markierungen, so dass f obj (M) = (p,l) M (r d(p, l)) maximal ist.

99 Polynomialzeit-Algorithmus Problem: Finde Matching M von Labels und Markierungen, so dass f obj (M) = (p,l) M (r d(p, l)) maximal ist. Lösung: Modelliere Problem als Graph G = (V, E)...

100 Polynomialzeit-Algorithmus Problem: Finde Matching M von Labels und Markierungen, so dass f obj (M) = (p,l) M (r d(p, l)) maximal ist. Lösung: Modelliere Problem als Graph G = (V, E)... v p1 v l1 v p v l2 v pm Markierungen v ln Labels

101 Polynomialzeit-Algorithmus Problem: Finde Matching M von Labels und Markierungen, so dass f obj (M) = (p,l) M (r d(p, l)) maximal ist. Lösung: Modelliere Problem als Graph G = (V, E)... v p1 v l1 s v p v l2 t v pm Markierungen v ln Labels

102 Polynomialzeit-Algorithmus Problem: Finde Matching M von Labels und Markierungen, so dass f obj (M) = (p,l) M (r d(p, l)) maximal ist. Lösung: Modelliere Problem als Graph G = (V, E)... v p1 v l1 s v p v l2 t v pm Markierungen v ln Labels

103 Polynomialzeit-Algorithmus Problem: Finde Matching M von Labels und Markierungen, so dass f obj (M) = (p,l) M (r d(p, l)) maximal ist. Lösung: Modelliere Problem als Graph G = (V, E)... v p1 v l1 s v p v l2 t v pm Markierungen v ln Labels

104 Polynomialzeit-Algorithmus Problem: Finde Matching M von Labels und Markierungen, so dass f obj (M) = (p,l) M (r d(p, l)) maximal ist. Lösung: Modelliere Problem als Graph G = (V, E)... s r r... r v p1 v l1 v l2 v p t v pm v ln Markierungen Labels

105 Polynomialzeit-Algorithmus Problem: Finde Matching M von Labels und Markierungen, so dass f obj (M) = (p,l) M (r d(p, l)) maximal ist. Lösung: Modelliere Problem als Graph G = (V, E)... s r r... r v p1... v p2 v l v pm Markierungen d(p 1, l 1 ) d(p m, l n ) v l1 v ln Labels t

106 Polynomialzeit-Algorithmus Problem: Finde Matching M von Labels und Markierungen, so dass f obj (M) = (p,l) M (r d(p, l)) maximal ist. Lösung: Modelliere Problem als Graph G = (V, E)... s r r... r v p1... v p2 v l v pm Markierungen d(p 1, l 1 ) d(p m, l n ) v l1 v ln Labels t

107 Polynomialzeit-Algorithmus Problem: Finde Matching M von Labels und Markierungen, so dass f obj (M) = (p,l) M (r d(p, l)) maximal ist. Lösung: Modelliere Problem als Graph G = (V, E)......und finde Fluss mit minimalen Kosten. s r r... r v p1... v p2 v l v pm Markierungen d(p 1, l 1 ) d(p m, l n ) v l1 v ln Labels t

108 Polynomialzeit-Algorithmus Problem: Finde Matching M von Labels und Markierungen, so dass f obj (M) = (p,l) M (r d(p, l)) maximal ist. Lösung: s r r... r Modelliere Problem als Graph G = (V, E)......und finde Fluss mit minimalen Kosten. effiziente Algorithmen d(p 1, l 1 ) v p1... v p2 v l v pm Markierungen d(p m, l n ) v l1 v ln Labels t

109 Polynomialzeit-Algorithmus Problem: Finde Matching M von Labels und Markierungen, so dass f obj (M) = (p,l) M (r d(p, l)) maximal ist. Lösung: Modelliere Problem als Graph G = (V, E)......und finde Fluss mit minimalen Kosten. e E: effiziente Algorithmen cap(e) = 1 d(p 1, l 1 ) s r r... r v p1... v p2 v l v pm Markierungen d(p m, l n ) v l1 v ln Labels t

110 Polynomialzeit-Algorithmus Problem: Finde Matching M von Labels und Markierungen, so dass f obj (M) = (p,l) M (r d(p, l)) maximal ist. Lösung: Modelliere Problem als Graph G = (V, E)......und finde Fluss mit minimalen Kosten. e E: effiziente Algorithmen cap(e) = 1 d(p 1, l 1 ) s r r... r v p1... v p2 v l v pm Markierungen d(p m, l n ) v l1 v ln Labels t

111 Experimente

112 Experimente Karten:

113 Experimente Karten: Sebastian von Rotenhan: Das FranckenLandt (1533)

114 Experimente Karten: Sebastian von Rotenhan: Das FranckenLandt (1533) Frederik De Wit: Circulus Franconicus (1706)

115 Experimente Karten: Sebastian von Rotenhan: Das FranckenLandt (1533) Frederik De Wit: Circulus Franconicus (1706)

116 Experimente Karten: Sebastian von Rotenhan: Das FranckenLandt (1533) Frederik De Wit: Circulus Franconicus (1706)

117 Experimente Karten: Sebastian von Rotenhan: Das FranckenLandt (1533) 539 Markierungen 524 Labels Frederik De Wit: Circulus Franconicus (1706)

118 Experimente Karten: Sebastian von Rotenhan: Das FranckenLandt (1533) 539 Markierungen 524 Labels Frederik De Wit: Circulus Franconicus (1706) 1663 Markierungen 1669 Labels

119 Experimente Karten: Sebastian von Rotenhan: Das FranckenLandt (1533) 539 Markierungen 524 Labels Frederik De Wit: Circulus Franconicus (1706) 1663 Markierungen 1669 Labels Ground Truth fu r beide Karten manuell erstellt.

120 Experimente ausgeglichene Eingabedaten

121 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden.

122 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Franckenlandt P = L = 517 Circulus Franconicus P = L = 1644

123 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Franckenlandt P = L = 517 Franckenlandt Circulus Franconicus P = L = 1644

124 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Franckenlandt Greedy-Algorithmus: Fehlerrate 17.8% Franckenlandt P = L = 517 Circulus Franconicus P = L = 1644

125 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Franckenlandt P = L = 517 Franckenlandt Greedy-Algorithmus: Fehlerrate 17.8% unser Algorithmus: 515 von 517 korrekt Circulus Franconicus P = L = 1644

126 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Franckenlandt P = L = 517 Franckenlandt Greedy-Algorithmus: Fehlerrate 17.8% unser Algorithmus: 515 von 517 korrekt Fehlerrate 0.4% Circulus Franconicus P = L = 1644

127 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Franckenlandt P = L = 517 Franckenlandt Greedy-Algorithmus: Fehlerrate 17.8% unser Algorithmus: 515 von 517 korrekt Fehlerrate 0.4% Laufzeit 0.9 s Circulus Franconicus P = L = 1644

128 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Franckenlandt P = L = 517 Franckenlandt Greedy-Algorithmus: Fehlerrate 17.8% unser Algorithmus: 515 von 517 korrekt Fehlerrate 0.4% Laufzeit 0.9 s Circulus Franconicus Circulus Franconicus P = L = 1644

129 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Franckenlandt P = L = 517 Franckenlandt Greedy-Algorithmus: Fehlerrate 17.8% unser Algorithmus: 515 von 517 korrekt Fehlerrate 0.4% Laufzeit 0.9 s Circulus Franconicus Greedy-Algorithmus: Fehlerrate 5.4% Circulus Franconicus P = L = 1644

130 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Franckenlandt P = L = 517 Franckenlandt Greedy-Algorithmus: Fehlerrate 17.8% unser Algorithmus: 515 von 517 korrekt Fehlerrate 0.4% Laufzeit 0.9 s Circulus Franconicus Greedy-Algorithmus: Fehlerrate 5.4% unser Algorithmus: 1636 von 1644 korrekt Fehlerrate 0.5% Laufzeit 2.1 s Circulus Franconicus P = L = 1644

131 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Franckenlandt P = L = 517 Franckenlandt Greedy-Algorithmus: Fehlerrate 17.8% unser Algorithmus: 515 von 517 korrekt Fehlerrate 0.4% Laufzeit 0.9 s Circulus Franconicus Greedy-Algorithmus: Fehlerrate 5.4% unser Algorithmus: 1636 von 1644 korrekt Fehlerrate 0.5% Laufzeit 2.1 s Circulus Franconicus P = L = 1644

132 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Franckenlandt P = L = 517 Franckenlandt Greedy-Algorithmus: Fehlerrate 17.8% unser Algorithmus: 515 von 517 korrekt Fehlerrate 0.4% Laufzeit 0.9 s Circulus Franconicus Greedy-Algorithmus: Fehlerrate 5.4% unser Algorithmus: 1636 von 1644 korrekt Fehlerrate 0.5% Laufzeit 2.1 s Circulus Franconicus P = L = 1644 mehr kombinat. Schlussfolgern notwendig!

133 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Franckenlandt P = L = 517 Franckenlandt Greedy-Algorithmus: Fehlerrate 17.8% unser Algorithmus: 515 von 517 korrekt Fehlerrate 0.4% Laufzeit 0.9 s Circulus Franconicus Greedy-Algorithmus: Fehlerrate 5.4% unser Algorithmus: 1636 von 1644 korrekt Fehlerrate 0.5% Laufzeit 2.1 s Circulus Franconicus P = L = 1644 mehr kombinat. Schlussfolgern notwendig!

134 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Franckenlandt P = L = 517 Franckenlandt Greedy-Algorithmus: Fehlerrate 17.8% unser Algorithmus: 515 von 517 korrekt Fehlerrate 0.4% Laufzeit 0.9 s Circulus Franconicus Greedy-Algorithmus: Fehlerrate 5.4% unser Algorithmus: 1636 von 1644 korrekt Fehlerrate 0.5% Laufzeit 2.1 s Circulus Franconicus P = L = 1644 mehr kombinat. Schlussfolgern notwendig!

135 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Franckenlandt P = L = 517 Franckenlandt Greedy-Algorithmus: Fehlerrate 17.8% unser Algorithmus: 515 von 517 korrekt Fehlerrate 0.4% Laufzeit 0.9 s Circulus Franconicus Greedy-Algorithmus: Fehlerrate 5.4% unser Algorithmus: 1636 von 1644 korrekt Fehlerrate 0.5% Laufzeit 2.1 s Circulus Franconicus P = L = 1644 mehr kombinat. Schlussfolgern notwendig!

136 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Franckenlandt P = L = 517 Franckenlandt Greedy-Algorithmus: Fehlerrate 17.8% unser Algorithmus: 515 von 517 korrekt Fehlerrate 0.4% Laufzeit 0.9 s Circulus Franconicus Greedy-Algorithmus: Fehlerrate 5.4% unser Algorithmus: 1636 von 1644 korrekt Fehlerrate 0.5% Laufzeit 2.1 s Circulus Franconicus P = L = 1644 mehr kombinat. Schlussfolgern notwendig!

137 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Franckenlandt P = L = 517 Franckenlandt Greedy-Algorithmus: Fehlerrate 17.8% unser Algorithmus: 515 von 517 korrekt Fehlerrate 0.4% Laufzeit 0.9 s Circulus Franconicus Greedy-Algorithmus: Fehlerrate 5.4% unser Algorithmus: 1636 von 1644 korrekt Fehlerrate 0.5% Laufzeit 2.1 s Circulus Franconicus P = L = 1644 mehr kombinat. Schlussfolgern notwendig!

138 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Franckenlandt P = L = 517 Franckenlandt Greedy-Algorithmus: Fehlerrate 17.8% unser Algorithmus: 515 von 517 korrekt Fehlerrate 0.4% Laufzeit 0.9 s Circulus Franconicus Greedy-Algorithmus: Fehlerrate 5.4% unser Algorithmus: 1636 von 1644 korrekt Fehlerrate 0.5% Laufzeit 2.1 s Circulus Franconicus P = L = 1644 mehr kombinat. Schlussfolgern notwendig!

139 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Positionsungenauigkeiten

140 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Positionsungenauigkeiten z.b. aufgrund von Fehlern in vorhergehenden Verarbeitungsschritten.

141 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Positionsungenauigkeiten z.b. aufgrund von Fehlern in vorhergehenden Verarbeitungsschritten. Simulation solcher Ungenauigkeiten

142 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Positionsungenauigkeiten z.b. aufgrund von Fehlern in vorhergehenden Verarbeitungsschritten. Simulation solcher Ungenauigkeiten Verschiebung von Labels um zufällige Distanz < ρ

143 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Positionsungenauigkeiten z.b. aufgrund von Fehlern in vorhergehenden Verarbeitungsschritten. Simulation solcher Ungenauigkeiten Verschiebung von Labels um zufällige Distanz < ρ Würzburg ρ

144 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Positionsungenauigkeiten z.b. aufgrund von Fehlern in vorhergehenden Verarbeitungsschritten. Simulation solcher Ungenauigkeiten Verschiebung von Labels um zufällige Distanz < ρ Würzburg ρ

145 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Positionsungenauigkeiten z.b. aufgrund von Fehlern in vorhergehenden Verarbeitungsschritten. Simulation solcher Ungenauigkeiten ρ in [px] Verschiebung von Labels um zufällige Distanz < ρ

146 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Positionsungenauigkeiten z.b. aufgrund von Fehlern in vorhergehenden Verarbeitungsschritten. Simulation solcher Ungenauigkeiten ρ in [px] Verschiebung von Labels um zufällige Distanz < ρ Algorithmus kompensiert Positionsungenauigkeiten, so lange sie nicht zu groß sind

147 Experimente ausgeglichene Eingabedaten Ausgeglichene Eingabedaten bedeutet, dass lose Markierungen und Labels manuell entfernt wurden. Positionsungenauigkeiten z.b. aufgrund von Fehlern in vorhergehenden Verarbeitungsschritten. Simulation solcher Ungenauigkeiten ρ in [px] Verschiebung von Labels um zufällige Distanz < ρ Algorithmus kompensiert Positionsungenauigkeiten, so lange sie nicht zu groß sind Im Beispiel bleibt die Fehlerrate für ρ < 30 px unter 4% (ungefähr die Breite von 3 Zeichen)

148 Experimente unausgeglichene Eingabedaten

149 Experimente unausgeglichene Eingabedaten Unausgeglichene Eingabedaten enthalten Labels, die nichts beschriften, und Markierungen, die nicht beschriftet sind.

150 Experimente unausgeglichene Eingabedaten Unausgeglichene Eingabedaten enthalten Labels, die nichts beschriften, und Markierungen, die nicht beschriftet sind. in historischen Landkarten in kleiner Zahl enthalten

151 Experimente unausgeglichene Eingabedaten Unausgeglichene Eingabedaten enthalten Labels, die nichts beschriften, und Markierungen, die nicht beschriftet sind. in historischen Landkarten in kleiner Zahl enthalten durch Fehler in vorhergehenden Verarbeitungsschritten entstanden

152 Experimente unausgeglichene Eingabedaten Unausgeglichene Eingabedaten enthalten Labels, die nichts beschriften, und Markierungen, die nicht beschriftet sind. in historischen Landkarten in kleiner Zahl enthalten durch Fehler in vorhergehenden Verarbeitungsschritten entstanden Franckenlandt unser Algorithmus: Fehlerrate 3.5% Greedy-Algorithmus: Fehlerrate 17.8%

153 Experimente unausgeglichene Eingabedaten Unausgeglichene Eingabedaten enthalten Labels, die nichts beschriften, und Markierungen, die nicht beschriftet sind. in historischen Landkarten in kleiner Zahl enthalten durch Fehler in vorhergehenden Verarbeitungsschritten entstanden Franckenlandt unser Algorithmus: Fehlerrate 3.5% Greedy-Algorithmus: Fehlerrate 17.8% Circulus Franconicus unser Algorithmus: Fehlerrate 1.3% Greedy-Algorithmus: Fehlerrate 5.9%

154 Experimente unausgeglichene Eingabedaten Unausgeglichene Eingabedaten enthalten Labels, die nichts beschriften, und Markierungen, die nicht beschriftet sind. in historischen Landkarten in kleiner Zahl enthalten durch Fehler in vorhergehenden Verarbeitungsschritten entstanden Simulation fehlender Elemente Markierungen und Labels werden mit bestimmter Wahrscheinlichkeit aus der Eingabe entfernt

155 Experimente unausgeglichene Eingabedaten Unausgeglichene Eingabedaten enthalten Labels, die nichts beschriften, und Markierungen, die nicht beschriftet sind. in historischen Landkarten in kleiner Zahl enthalten durch Fehler in vorhergehenden Verarbeitungsschritten entstanden Simulation fehlender Elemente Markierungen und Labels werden mit bestimmter Wahrscheinlichkeit aus der Eingabe entfernt Anzahl korrekter Zuordnungen verringert sich, aber Fehlerrate bleibt konstant

156 Experimente unausgeglichene Eingabedaten Unausgeglichene Eingabedaten enthalten Labels, die nichts beschriften, und Markierungen, die nicht beschriftet sind. in historischen Landkarten in kleiner Zahl enthalten durch Fehler in vorhergehenden Verarbeitungsschritten entstanden Simulation fehlender Elemente Markierungen und Labels werden mit bestimmter Wahrscheinlichkeit aus der Eingabe entfernt Anzahl korrekter Zuordnungen verringert sich, aber Fehlerrate bleibt konstant Fehlende Elemente können den Algorithmus nicht signifikant verwirren

157 Benutzerinteraktion

158 Benutzerinteraktion Fehlerraten in Experimenten

159 Benutzerinteraktion Fehlerraten in Experimenten Franckenlandt 3.5% Circulus Franconicus 1.3%

160 Benutzerinteraktion Fehlerraten in Experimenten Franckenlandt 3.5% Circulus Franconicus 1.3% Unklare Situationen?

161 Benutzerinteraktion Fehlerraten in Experimenten Franckenlandt 3.5% Circulus Franconicus 1.3% manuelle Überprüfung/Korrektur notwendig Unklare Situationen?

162 Benutzerinteraktion Fehlerraten in Experimenten Franckenlandt 3.5% Circulus Franconicus 1.3% manuelle Überprüfung/Korrektur notwendig Unklare Situationen? Is this assignment correct?

163 Benutzerinteraktion Fehlerraten in Experimenten Franckenlandt 3.5% Circulus Franconicus 1.3% manuelle Überprüfung/Korrektur notwendig Unklare Situationen? Is this assignment correct? Problem:

164 Benutzerinteraktion Fehlerraten in Experimenten Franckenlandt 3.5% Circulus Franconicus 1.3% manuelle Überprüfung/Korrektur notwendig Unklare Situationen? Is this assignment correct? Problem: viele Karten enthalten tausende solcher Elemente

165 Sensitivitätsanalyse

166 Sensitivitätsanalyse Problem: Wir wollen dem Benutzer nicht tausende Zuordnungen zur Überprüfung zeigen

167 Sensitivitätsanalyse Problem: Wir wollen dem Benutzer nicht tausende Zuordnungen zur Überprüfung zeigen Idee: Zeige nur Zuordnungen, bei denen sich der Algorithmus nicht sicher ist

168 Sensitivitätsanalyse Problem: Wir wollen dem Benutzer nicht tausende Zuordnungen zur Überprüfung zeigen Idee: Sensitivitätsanalyse Zeige nur Zuordnungen, bei denen sich der Algorithmus nicht sicher ist

169 Sensitivitätsanalyse Problem: Wir wollen dem Benutzer nicht tausende Zuordnungen zur Überprüfung zeigen Idee: Zeige nur Zuordnungen, bei denen sich der Algorithmus nicht sicher ist Sensitivitätsanalyse Berechne für jede Zuordnung (p, l) M wieviel schlechter der Zielfunktionswert würde, wenn wir p und l nicht einander zuordnen düften.

170 Sensitivitätsanalyse Problem: Wir wollen dem Benutzer nicht tausende Zuordnungen zur Überprüfung zeigen Idee: Sensitivitätsanalyse Zeige nur Zuordnungen, bei denen sich der Algorithmus nicht sicher ist Berechne für jede Zuordnung (p, l) M wieviel schlechter der Zielfunktionswert würde, wenn wir p und l nicht einander zuordnen düften. m 1 l 1 m 2 l 2 m 3

171 Sensitivitätsanalyse Problem: Wir wollen dem Benutzer nicht tausende Zuordnungen zur Überprüfung zeigen Idee: Sensitivitätsanalyse Zeige nur Zuordnungen, bei denen sich der Algorithmus nicht sicher ist Berechne für jede Zuordnung (p, l) M wieviel schlechter der Zielfunktionswert würde, wenn wir p und l nicht einander zuordnen düften. m 1 l 1 m 2 l 2 m 3

172 Sensitivitätsanalyse Problem: Wir wollen dem Benutzer nicht tausende Zuordnungen zur Überprüfung zeigen Idee: Sensitivitätsanalyse Zeige nur Zuordnungen, bei denen sich der Algorithmus nicht sicher ist Berechne für jede Zuordnung (p, l) M wieviel schlechter der Zielfunktionswert würde, wenn wir p und l nicht einander zuordnen düften. m 1 l 1 m 2 l 2 m 3 (m 1, l 1 ) Verschlecht. Sensitivität

173 Sensitivitätsanalyse Problem: Wir wollen dem Benutzer nicht tausende Zuordnungen zur Überprüfung zeigen Idee: Sensitivitätsanalyse Zeige nur Zuordnungen, bei denen sich der Algorithmus nicht sicher ist Berechne für jede Zuordnung (p, l) M wieviel schlechter der Zielfunktionswert würde, wenn wir p und l nicht einander zuordnen düften. m 1 l 1 m 2 l 2 m 3 (m 1, l 1 ) Verschlecht. Sensitivität

174 Sensitivitätsanalyse Problem: Wir wollen dem Benutzer nicht tausende Zuordnungen zur Überprüfung zeigen Idee: Sensitivitätsanalyse Zeige nur Zuordnungen, bei denen sich der Algorithmus nicht sicher ist Berechne für jede Zuordnung (p, l) M wieviel schlechter der Zielfunktionswert würde, wenn wir p und l nicht einander zuordnen düften. m 1 l 1 m 2 l 2 m 3 (m 1, l 1 ) Verschlecht. Sensitivität

175 Sensitivitätsanalyse Problem: Wir wollen dem Benutzer nicht tausende Zuordnungen zur Überprüfung zeigen Idee: Sensitivitätsanalyse Zeige nur Zuordnungen, bei denen sich der Algorithmus nicht sicher ist Berechne für jede Zuordnung (p, l) M wieviel schlechter der Zielfunktionswert würde, wenn wir p und l nicht einander zuordnen düften. m 1 l 1 m 2 l 2 m 3 (m 1, l 1 ) Verschlecht. gering Sensitivität

176 Sensitivitätsanalyse Problem: Wir wollen dem Benutzer nicht tausende Zuordnungen zur Überprüfung zeigen Idee: Sensitivitätsanalyse Zeige nur Zuordnungen, bei denen sich der Algorithmus nicht sicher ist Berechne für jede Zuordnung (p, l) M wieviel schlechter der Zielfunktionswert würde, wenn wir p und l nicht einander zuordnen düften. m 1 l 1 m 2 l 2 m 3 (m 1, l 1 ) Verschlecht. gering Sensitivität hoch

177 Sensitivitätsanalyse Problem: Wir wollen dem Benutzer nicht tausende Zuordnungen zur Überprüfung zeigen Idee: Sensitivitätsanalyse Zeige nur Zuordnungen, bei denen sich der Algorithmus nicht sicher ist Berechne für jede Zuordnung (p, l) M wieviel schlechter der Zielfunktionswert würde, wenn wir p und l nicht einander zuordnen düften. m 1 l 1 m 2 l 2 m 3 (m 1, l 1 ) (m 3, l 2 ) Verschlecht. gering Sensitivität hoch

178 Sensitivitätsanalyse Problem: Wir wollen dem Benutzer nicht tausende Zuordnungen zur Überprüfung zeigen Idee: Sensitivitätsanalyse Zeige nur Zuordnungen, bei denen sich der Algorithmus nicht sicher ist Berechne für jede Zuordnung (p, l) M wieviel schlechter der Zielfunktionswert würde, wenn wir p und l nicht einander zuordnen düften. m 1 l 1 m 2 l 2 m 3 (m 1, l 1 ) (m 3, l 2 ) Verschlecht. gering Sensitivität hoch

179 Sensitivitätsanalyse Problem: Wir wollen dem Benutzer nicht tausende Zuordnungen zur Überprüfung zeigen Idee: Sensitivitätsanalyse Zeige nur Zuordnungen, bei denen sich der Algorithmus nicht sicher ist Berechne für jede Zuordnung (p, l) M wieviel schlechter der Zielfunktionswert würde, wenn wir p und l nicht einander zuordnen düften. m 1 l 1 m 2 l 2 m 3 (m 1, l 1 ) (m 3, l 2 ) Verschlecht. gering Sensitivität hoch

180 Sensitivitätsanalyse Problem: Wir wollen dem Benutzer nicht tausende Zuordnungen zur Überprüfung zeigen Idee: Sensitivitätsanalyse Zeige nur Zuordnungen, bei denen sich der Algorithmus nicht sicher ist Berechne für jede Zuordnung (p, l) M wieviel schlechter der Zielfunktionswert würde, wenn wir p und l nicht einander zuordnen düften. m 1 l 1 m 2 l 2 m 3 (m 1, l 1 ) Verschlecht. Sensitivität gering hoch (m 3, l 2 ) hoch gering

181 Klassifikation

182 Klassifikation Wir entscheiden anhand der Sensitivität jeder Zuordnung, ob sie dem Benutzer zur Überprüfung gezeigt wird:

183 Klassifikation Wir entscheiden anhand der Sensitivität jeder Zuordnung, ob sie dem Benutzer zur Überprüfung gezeigt wird: Klassifizierung mit Schwellenwert t

184 Klassifikation Wir entscheiden anhand der Sensitivität jeder Zuordnung, ob sie dem Benutzer zur Überprüfung gezeigt wird: Klassifizierung mit Schwellenwert t sortiere Zuordnungen absteigend nach Sensitivität

185 Klassifikation Wir entscheiden anhand der Sensitivität jeder Zuordnung, ob sie dem Benutzer zur Überprüfung gezeigt wird: Klassifizierung mit Schwellenwert t sortiere Zuordnungen absteigend nach Sensitivität klassifiziere Zuordnungen mit Sensitivität t als zeigen

186 Klassifikation Wir entscheiden anhand der Sensitivität jeder Zuordnung, ob sie dem Benutzer zur Überprüfung gezeigt wird: Klassifizierung mit Schwellenwert t sortiere Zuordnungen absteigend nach Sensitivität klassifiziere Zuordnungen mit Sensitivität t als zeigen klassifiziere verbleibende Zuordnungen als nicht zeigen

187 Klassifikation Wir entscheiden anhand der Sensitivität jeder Zuordnung, ob sie dem Benutzer zur Überprüfung gezeigt wird: Klassifizierung mit Schwellenwert t sortiere Zuordnungen absteigend nach Sensitivität klassifiziere Zuordnungen mit Sensitivität t als zeigen klassifiziere verbleibende Zuordnungen als nicht zeigen Performance dieses Klassifikators

188 Klassifikation Wir entscheiden anhand der Sensitivität jeder Zuordnung, ob sie dem Benutzer zur Überprüfung gezeigt wird: Klassifizierung mit Schwellenwert t sortiere Zuordnungen absteigend nach Sensitivität klassifiziere Zuordnungen mit Sensitivität t als zeigen klassifiziere verbleibende Zuordnungen als nicht zeigen Performance dieses Klassifikators mittels Receiver Operating Characteristic (ROC) Curve

189 Klassifikation Wir entscheiden anhand der Sensitivität jeder Zuordnung, ob sie dem Benutzer zur Überprüfung gezeigt wird: Klassifizierung mit Schwellenwert t Circulus Franconicus sortiere Zuordnungen absteigend nach Sensitivität Franckenlandt klassifiziere Zuordnungen mit Sensitivität t als zeigen klassifiziere verbleibende Zuordnungen als nicht zeigen Performance dieses Klassifikators mittels Receiver Operating Characteristic (ROC) Curve

190 Klassifikation Wir entscheiden anhand der Sensitivität jeder Zuordnung, ob sie dem Benutzer zur Überprüfung gezeigt wird: Klassifizierung mit Schwellenwert t Circulus Franconicus sortiere Zuordnungen absteigend nach Sensitivität Franckenlandt klassifiziere Zuordnungen mit Sensitivität t als zeigen klassifiziere verbleibende Zuordnungen als nicht zeigen Performance dieses Klassifikators mittels Receiver Operating Characteristic (ROC) Curve Area under Curve (AUC)-Werte liegen bei 0.89 und 0.94

191 Klassifikation Wir entscheiden anhand der Sensitivität jeder Zuordnung, ob sie dem Benutzer zur Überprüfung gezeigt wird: Klassifizierung mit Schwellenwert t Circulus Franconicus sortiere Zuordnungen absteigend nach Sensitivität Franckenlandt klassifiziere Zuordnungen mit Sensitivität t als zeigen klassifiziere verbleibende Zuordnungen als nicht zeigen Performance dieses Klassifikators mittels Receiver Operating Characteristic (ROC) Curve Area under Curve (AUC)-Werte liegen bei 0.89 und 0.94 hervorragende Perfomance

192 Benutzerinteraktion

193 Benutzerinteraktion Vorschlag für eine Benutzerschnittstelle

194 Benutzerinteraktion Vorschlag für eine Benutzerschnittstelle Präsentation sensitiver Zuordnungen

195 Benutzerinteraktion Vorschlag für eine Benutzerschnittstelle Präsentation sensitiver Zuordnungen farbige Visualisierung nach Sensitivität

196 Benutzerinteraktion Vorschlag für eine Benutzerschnittstelle Präsentation sensitiver Zuordnungen farbige Visualisierung nach Sensitivität Vorschau auf nächstbeste Zuordnung

197 Benutzerinteraktion Vorschlag für eine Benutzerschnittstelle Präsentation sensitiver Zuordnungen farbige Visualisierung nach Sensitivität Vorschau auf nächstbeste Zuordnung Prototyp implementiert als QuantumGIS-Plugin

198 Zusammenfassung und Ausblick

199 Zusammenfassung und Ausblick Konzept für ein System zur semi-automatischen Metadaten-Extraktion auf historischen Landkarten

200 Zusammenfassung und Ausblick Konzept für ein System zur semi-automatischen Metadaten-Extraktion auf historischen Landkarten Algorithmische Umsetzung eines Moduls aus diesem System

201 Zusammenfassung und Ausblick Konzept für ein System zur semi-automatischen Metadaten-Extraktion auf historischen Landkarten Algorithmische Umsetzung eines Moduls aus diesem System Prototypen einer Benutzerschnittstelle für dieses Modul

202 Zusammenfassung und Ausblick Konzept für ein System zur semi-automatischen Metadaten-Extraktion auf historischen Landkarten Algorithmische Umsetzung eines Moduls aus diesem System Prototypen einer Benutzerschnittstelle für dieses Modul Zukünftige Arbeiten und offene Fragen

203 Zusammenfassung und Ausblick Konzept für ein System zur semi-automatischen Metadaten-Extraktion auf historischen Landkarten Algorithmische Umsetzung eines Moduls aus diesem System Prototypen einer Benutzerschnittstelle für dieses Modul Zukünftige Arbeiten und offene Fragen Umsetzung der übrigen Module des vorgeschlagenen Systems

204 Zusammenfassung und Ausblick Konzept für ein System zur semi-automatischen Metadaten-Extraktion auf historischen Landkarten Algorithmische Umsetzung eines Moduls aus diesem System Prototypen einer Benutzerschnittstelle für dieses Modul Zukünftige Arbeiten und offene Fragen Umsetzung der übrigen Module des vorgeschlagenen Systems Verbesserung der Benutzerschnittstelle