Polyline simplification based on the artificial neural network with constraints of generalization knowledge

Du, Jiawei; Wu, Fang; Yin, Jichong; Liu, Chengyi; Gong, Xianyong

doi:10.1080/15230406.2021.2013944

Cited by 17 publications

(5 citation statements)

References 36 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Finally, through an analysis of the clusters, key nodes, and highly cited articles, we found that key technologies such as 'Artificial Neural Network' [78,89,92], 'Self Organizing Map' [87,[93][94][95][96][97][98], 'Back Propagation Neural Network' [93,[99][100][101], 'Particle Swarm Optimization' [102], 'Radial Basis Function Networks' [102], 'Convolutional Neural Network' [81,90,101,[103][104][105][106][107][108], 'Graph Neural Network' [88,[109][110][111][112][113][114], 'Support Vector Machine' [79,99], etc., are widely applied in various domains of cartography. Firstly, these technologies have automated cartographic workflows in map generalization [104,115], including polyline simplification [78,92,114,115], river network generalization [87,98,99], selective omission of road networks [79,…”

Section: Cluster #1 and #3-deep Learning And Machine Learningmentioning

confidence: 99%

Cartography and Neural Networks: A Scientometric Analysis Based on CiteSpace

Cheng,

Zhang,

Wang

et al. 2024

IJGI

View full text Add to dashboard Cite

Propelled by emerging technologies such as artificial intelligence and deep learning, the essence and scope of cartography have significantly expanded. The rapid progress in neuroscience has raised high expectations for related disciplines, furnishing theoretical support for revealing and deepening the essence of maps. In this study, CiteSpace was used to examine the confluence of cartography and neural networks over the past decade (2013–2023), thus revealing the prevailing research trends and cutting-edge investigations in the field of machine learning and its application in mapping. In addition, this analysis included the systematic categorization of knowledge clusters arising from the fusion of cartography and neural networks, which was followed by the discernment of pivotal clusters in the field of knowledge mapping. Crucially, this study diligently identified the critical studies (milestones) that have made significant contributions to the development of these elucidated clusters. Timeline analysis was used to track these studies’ origins, evolution, and current status. Finally, we constructed collaborative networks among the contributing authors, journals, institutions, and countries. This mapping aids in identifying and visualizing the primary contributing factors of the evolution of knowledge mapping encompassing cartography and neural networks, thus facilitating interdisciplinary and multidisciplinary research and investigations.

show abstract

Section: Cluster #1 and #3-deep Learning And Machine Learningmentioning

confidence: 99%

Cartography and Neural Networks: A Scientometric Analysis Based on CiteSpace

Cheng,

Zhang,

Wang

et al. 2024

IJGI

View full text Add to dashboard Cite

show abstract

“…As extensive data are collected, an ANN's parameters could be changed to achieve better outcomes. 85 Most of the selected studies used the BPNN algorithm when adapting an ANN to their data sets as M. Ghasemi-Varnamkhasti et al 53 did when classifying different cheese classes with very good accuracies. Hereby, the BPNN algorithm was more frequently considered.…”

Section: Recent Applications Using E-noses In Food Analysismentioning

confidence: 99%

Recent developments of e-sensing devices coupled to data processing techniques in food quality evaluation: a critical review

Abi-Rizk,

Jouan-Rimbaud Bouveresse,

Chamberland

et al. 2023

Anal. Methods

View full text Add to dashboard Cite

show abstract

“…Todavia, os operadores que são considerados importantes são definidos conforme a visão e o entendimento do analista acerca do contexto global, inserindo a generalização em um processo subjetivo e holístico, tornando a sua automatização um desafio (MCMASTE; SHEA, 1992). As estratégias atuais, em grande parte, buscam integrar o conhecimento cartográfico em tarefas automatizadas e estão relacionadas com aspectos gráficos, como a análise de características geométricas (FORBERG, 2007;BILJECKI et al, 2016, DU et al, 2022, a designação de símbolos cartográficos (BARTONĚK; ANDĚLOVÁ, 2022) e definição de padrões (DYER et al, 2022), relacionando-se com três aspectos: 1) Critérios e especificações técnicas atuais (normatizações, padrões e especificações técnicas); 2) Análise das características geométricas e semânticas do conjunto de dados que integra o BDG primário e; 3) Definição de regras automáticas de generalização cartográfica digital materializadas por linguagem de programação. Esses tópicos devem ser estudados não apenas para analisar as regras de generalização cartográfica implementadas, mas para avaliar o sucesso do processo em uma base de dados geoespacial.…”

Section: Elaboração: Os Autores (2022)unclassified

Generalização Cartográfica: Desafios e Perspectivas

Freiman

Santos

2022

Rev. Bras. Cartogr.

View full text Add to dashboard Cite

Conceitos e procedimentos relacionados ao tema de generalização cartográfica evoluíram nas últimas décadas. Originalmente, este processo era aplicado no contexto analógico para garantir a manutenção da visualização e comunicação cartográfica de forma adequada. No entanto, com o avanço da cartografia digital o paradigma é ampliado e, então, o processo é aplicado desde a concepção do produto cartográfico, ou seja, quando se deseja reduzir uma base de dados para um mínimo necessário, mas mantendo as propriedades espaciais relevantes do conjunto. Computacionalmente, as regras de generalização são expressas por meio de algoritmos computacionais que incluem aspectos de semântica e geometria, assim como exigem, além de formulações objetivas, análises subjetivas de difícil implementação e automatização. Além disso, a inserção de novas tecnologias de aquisição e processamento de dados geoespaciais produzem novas lacunas científicas a serem superadas. Nesse aspecto, este trabalho busca, a partir de uma pesquisa bibliográfica e bibliométrica, identificar como as novas tecnologias ampliam os desafios relacionados à generalização cartografia. Observa-se que, apesar dos operadores de generalização serem considerados satisfatórios, o número de publicações na temática é crescente e apresenta interesse internacional. Ademais, as novas tecnologias como algoritmos de Inteligência Artificial, aquisição de dados geoespaciais de forma incremental e construções de representações 3D inserem complexidades teóricas e práticas que devem ser superadas. Logo, os avanços da generalização cartográfica dependem da implementação de soluções relacionadas à materialização computacional dos operadores de generalização em processos objetivos que permitam a compreensão imediata da relação geométrica e estatística formada por um conjunto de dados geoespaciais.

show abstract

Polyline simplification based on the artificial neural network with constraints of generalization knowledge

Cited by 17 publications

References 36 publications

Cartography and Neural Networks: A Scientometric Analysis Based on CiteSpace

Cartography and Neural Networks: A Scientometric Analysis Based on CiteSpace

Recent developments of e-sensing devices coupled to data processing techniques in food quality evaluation: a critical review

Generalização Cartográfica: Desafios e Perspectivas

Contact Info

Product

Resources

About