Exploitation de l’échelle d’écriture pour améliorer la reconnaissance automatique des textes manuscrits arabes
Plusieurs facteurs inhérents à l’écriture augmentent la complexité de la reconnaissance automatique de documents manuscrits, comme la taille de l’écriture. Dans ce travail nous nous intéressons à la prise en compte de tels facteurs dans la modélisation afin d’améliorer la performance des systèmes au...
Αποθηκεύτηκε σε:
| Κύριοι συγγραφείς: | , , |
|---|---|
| Μορφή: | Article ou chapitre numérique |
| Γλώσσα: | Français |
| Έκδοση: |
2016
|
| Θέματα: | |
| Διαθέσιμο Online: | Accès Université d'Orléans et IFPM |
| Περίληψη: | Plusieurs facteurs inhérents à l’écriture augmentent la complexité de la reconnaissance automatique de documents manuscrits, comme la taille de l’écriture. Dans ce travail nous nous intéressons à la prise en compte de tels facteurs dans la modélisation afin d’améliorer la performance des systèmes automatiques. Les expérimentations ont été conduites sur des textes manuscrits arabes extraits de l’une des plus grandes bases étiquetées de documents manuscrits arabes, la base de données NIST-OpenHaRT qui inclut de grandes variabilités dans la taille du texte inter et intra mots et lignes. Nous proposons plusieurs approches pour faire face à ces variations lors des deux phases d’apprentissage et de reconnaissance. Les premières expérimentations montrent que la reconnaissance est largement affectée par la taille d’écriture. Pour prendre en compte ce paramètre nous proposons de classifier les données en trois classes selon la taille. En phase de reconnaissance, nous avons redimensionné chaque donnée de test à plusieurs tailles prédéfinies, puis nous avons combiné les scores de reconnaissance associés à chacune des tailles. Cette approche a permis des gains notables de performance de deux systèmes de reconnaissance, HMM et BLSTM. De plus, nous avons intégré des données artificiellement redimensionnées pour adapter les modèles HMM à différentes échelles. Nous avons aussi obtenu des gains de performance par deux méthodes différentes de combinaison (ROVER, treillis) des résultats des modèles adaptés. Nous fournissons les résultats de reconnaissance obtenus qui montrent les avantages de l’exploitation de la taille d’écriture. |
|---|