Corpus
PascalFrancis
Racine
Corpus
Checkpoint
PascalFrancis
Racine
PascalFrancis
Exploration
Accueil
Racine
Racine

Serveur d'exploration sur la recherche en informatique en Lorraine

Attention, ce site est en cours de développement !
Attention, site généré par des moyens informatiques à partir de corpus bruts.
Les informations ne sont donc pas validées.

Couplage d'une vision locale par HMM et globale par RN pour la reconnaissance de mots manuscrits

Identifieur interne : 000765 ( PascalFrancis/Corpus ); précédent : 000764; suivant : 000766

Couplage d'une vision locale par HMM et globale par RN pour la reconnaissance de mots manuscrits

Auteurs : Ch. Choisy ; A. Belaid

Source :

RBID : Pascal:03-0421977

Descripteurs français

English descriptors

Abstract

Nous présentons dans cet article une idée de combinaison de modèles à visions locale et globale. Séparément, ces deux types de modèles ont prouvé leurs capacités, et leur combinaison a été exploitée en utilisant les modèles globaux plutôt localement, et les modèles locaux pour synthétiser leurs résultats. Nous proposons une démarche inverse en utilisant les modèles locaux pour normaliser efficacement les images de manière non linéaire, et les modèles globaux pour assurer une cohérence sur l'ensemble de la forme. Les modèles locaux sont de type markovien, et les modèles globaux sont des réseaux de neurones. Le gain de la normalisation markovienne est de l'ordre de 3% par rapport à une normalisation linéaire classique (84.47%). Le gain apporté par la combinaison est de l'ordre de 2% par rapport à l'approche markovienne seule (85.35%), soit un score de 87.41%.

Notice en format standard (ISO 2709)

Pour connaître la documentation sur le format Inist Standard.

pA  
A08 01  1  FRE  @1 Couplage d'une vision locale par HMM et globale par RN pour la reconnaissance de mots manuscrits
A09 01  1  FRE  @1 CIFED '2002 : colloque international francophone sur l'écrit et le document : Hammamet, 21-23 octobre 2002
A11 01  1    @1 CHOISY (Ch.)
A11 02  1    @1 BELAID (A.)
A12 01  1    @1 BELAID (A.) @9 ed.
A12 02  1    @1 BEN GHEZALA (H.) @9 ed.
A14 01      @1 LORIA, Campus scientifique, BP 239 @2 54506 Vandoeuvre-lès-Nancy @3 FRA @Z 1 aut. @Z 2 aut.
A20       @1 345-354
A21       @1 2002
A23 01      @0 FRE
A24 01      @0 eng
A25 01      @1 INRIA @2 Le Chesnay
A26 01      @0 2-7261-1222-6
A30 01  1  FRE  @1 Colloque international francophone sur l'écrit et le document @3 Hammamet TUN @4 2002-10-21
A43 01      @1 INIST @2 Y 34560 @5 354000108545870380
A44       @0 0000 @1 © 2003 INIST-CNRS. All rights reserved.
A45       @0 13 ref.
A47 01  1    @0 03-0421977
A60       @1 C
A61       @0 A
A66 01      @0 CHE
A68 01  1  ENG  @1 Combination of local vision through hidden Markov model and global vision through neural network for handwritten word recognition
C01 01    FRE  @0 Nous présentons dans cet article une idée de combinaison de modèles à visions locale et globale. Séparément, ces deux types de modèles ont prouvé leurs capacités, et leur combinaison a été exploitée en utilisant les modèles globaux plutôt localement, et les modèles locaux pour synthétiser leurs résultats. Nous proposons une démarche inverse en utilisant les modèles locaux pour normaliser efficacement les images de manière non linéaire, et les modèles globaux pour assurer une cohérence sur l'ensemble de la forme. Les modèles locaux sont de type markovien, et les modèles globaux sont des réseaux de neurones. Le gain de la normalisation markovienne est de l'ordre de 3% par rapport à une normalisation linéaire classique (84.47%). Le gain apporté par la combinaison est de l'ordre de 2% par rapport à l'approche markovienne seule (85.35%), soit un score de 87.41%.
C02 01  X    @0 001A01F
C02 02  X    @0 205
C03 01  X  FRE  @0 Reconnaissance optique caractère @5 01
C03 01  X  ENG  @0 Optical character recognition @5 01
C03 01  X  SPA  @0 Reconocimento óptico de caracteres @5 01
C03 02  X  FRE  @0 Caractère manuscrit @5 02
C03 02  X  ENG  @0 Manuscript character @5 02
C03 02  X  SPA  @0 Carácter manuscrito @5 02
C03 03  X  FRE  @0 Méthode globale locale @5 03
C03 03  X  ENG  @0 Global local method @5 03
C03 03  X  SPA  @0 Método global local @5 03
C03 04  X  FRE  @0 Réseau neuronal @5 04
C03 04  X  ENG  @0 Neural network @5 04
C03 04  X  SPA  @0 Red neuronal @5 04
C03 05  X  FRE  @0 Modèle Markov caché @5 05
C03 05  X  ENG  @0 Hidden Markov model @5 05
C03 05  X  SPA  @0 Modelo Markov oculto @5 05
C03 06  X  FRE  @0 Modèle @5 06
C03 06  X  ENG  @0 Models @5 06
C03 06  X  SPA  @0 Modelo @5 06
N21       @1 293
N82       @1 PSI

Format Inist (serveur)

NO : PASCAL 03-0421977 INIST
FT : Couplage d'une vision locale par HMM et globale par RN pour la reconnaissance de mots manuscrits
ET : (Combination of local vision through hidden Markov model and global vision through neural network for handwritten word recognition)
AU : CHOISY (Ch.); BELAID (A.); BELAID (A.); BEN GHEZALA (H.)
AF : LORIA, Campus scientifique, BP 239/54506 Vandoeuvre-lès-Nancy/France (1 aut., 2 aut.)
DT : Congrès; Niveau analytique
SO : Colloque international francophone sur l'écrit et le document/2002-10-21/Hammamet TUN; Suisse; Le Chesnay: INRIA; Da. 2002; Pp. 345-354; ISBN 2-7261-1222-6
LA : Français
FA : Nous présentons dans cet article une idée de combinaison de modèles à visions locale et globale. Séparément, ces deux types de modèles ont prouvé leurs capacités, et leur combinaison a été exploitée en utilisant les modèles globaux plutôt localement, et les modèles locaux pour synthétiser leurs résultats. Nous proposons une démarche inverse en utilisant les modèles locaux pour normaliser efficacement les images de manière non linéaire, et les modèles globaux pour assurer une cohérence sur l'ensemble de la forme. Les modèles locaux sont de type markovien, et les modèles globaux sont des réseaux de neurones. Le gain de la normalisation markovienne est de l'ordre de 3% par rapport à une normalisation linéaire classique (84.47%). Le gain apporté par la combinaison est de l'ordre de 2% par rapport à l'approche markovienne seule (85.35%), soit un score de 87.41%.
CC : 001A01F; 205
FD : Reconnaissance optique caractère; Caractère manuscrit; Méthode globale locale; Réseau neuronal; Modèle Markov caché; Modèle
ED : Optical character recognition; Manuscript character; Global local method; Neural network; Hidden Markov model; Models
SD : Reconocimento óptico de caracteres; Carácter manuscrito; Método global local; Red neuronal; Modelo Markov oculto; Modelo
LO : INIST-Y 34560.354000108545870380
ID : 03-0421977

Links to Exploration step

Pascal:03-0421977

Le document en format XML

<record>
<TEI>
<teiHeader>
<fileDesc>
<titleStmt>
<title xml:lang="fr" level="a">Couplage d'une vision locale par HMM et globale par RN pour la reconnaissance de mots manuscrits</title>
<author>
<name sortKey="Choisy, Ch" sort="Choisy, Ch" uniqKey="Choisy C" first="Ch." last="Choisy">Ch. Choisy</name>
<affiliation>
<inist:fA14 i1="01">
<s1>LORIA, Campus scientifique, BP 239</s1>
<s2>54506 Vandoeuvre-lès-Nancy</s2>
<s3>FRA</s3>
<sZ>1 aut.</sZ>
<sZ>2 aut.</sZ>
</inist:fA14>
</affiliation>
</author>
<author>
<name sortKey="Belaid, A" sort="Belaid, A" uniqKey="Belaid A" first="A." last="Belaid">A. Belaid</name>
<affiliation>
<inist:fA14 i1="01">
<s1>LORIA, Campus scientifique, BP 239</s1>
<s2>54506 Vandoeuvre-lès-Nancy</s2>
<s3>FRA</s3>
<sZ>1 aut.</sZ>
<sZ>2 aut.</sZ>
</inist:fA14>
</affiliation>
</author>
</titleStmt>
<publicationStmt>
<idno type="wicri:source">INIST</idno>
<idno type="inist">03-0421977</idno>
<date when="2002">2002</date>
<idno type="stanalyst">PASCAL 03-0421977 INIST</idno>
<idno type="RBID">Pascal:03-0421977</idno>
<idno type="wicri:Area/PascalFrancis/Corpus">000765</idno>
</publicationStmt>
<sourceDesc>
<biblStruct>
<analytic>
<title xml:lang="fr" level="a">Couplage d'une vision locale par HMM et globale par RN pour la reconnaissance de mots manuscrits</title>
<author>
<name sortKey="Choisy, Ch" sort="Choisy, Ch" uniqKey="Choisy C" first="Ch." last="Choisy">Ch. Choisy</name>
<affiliation>
<inist:fA14 i1="01">
<s1>LORIA, Campus scientifique, BP 239</s1>
<s2>54506 Vandoeuvre-lès-Nancy</s2>
<s3>FRA</s3>
<sZ>1 aut.</sZ>
<sZ>2 aut.</sZ>
</inist:fA14>
</affiliation>
</author>
<author>
<name sortKey="Belaid, A" sort="Belaid, A" uniqKey="Belaid A" first="A." last="Belaid">A. Belaid</name>
<affiliation>
<inist:fA14 i1="01">
<s1>LORIA, Campus scientifique, BP 239</s1>
<s2>54506 Vandoeuvre-lès-Nancy</s2>
<s3>FRA</s3>
<sZ>1 aut.</sZ>
<sZ>2 aut.</sZ>
</inist:fA14>
</affiliation>
</author>
</analytic>
</biblStruct>
</sourceDesc>
</fileDesc>
<profileDesc>
<textClass>
<keywords scheme="KwdEn" xml:lang="en">
<term>Global local method</term>
<term>Hidden Markov model</term>
<term>Manuscript character</term>
<term>Models</term>
<term>Neural network</term>
<term>Optical character recognition</term>
</keywords>
<keywords scheme="Pascal" xml:lang="fr">
<term>Reconnaissance optique caractère</term>
<term>Caractère manuscrit</term>
<term>Méthode globale locale</term>
<term>Réseau neuronal</term>
<term>Modèle Markov caché</term>
<term>Modèle</term>
</keywords>
</textClass>
</profileDesc>
</teiHeader>
<front>
<div type="abstract" xml:lang="fr">Nous présentons dans cet article une idée de combinaison de modèles à visions locale et globale. Séparément, ces deux types de modèles ont prouvé leurs capacités, et leur combinaison a été exploitée en utilisant les modèles globaux plutôt localement, et les modèles locaux pour synthétiser leurs résultats. Nous proposons une démarche inverse en utilisant les modèles locaux pour normaliser efficacement les images de manière non linéaire, et les modèles globaux pour assurer une cohérence sur l'ensemble de la forme. Les modèles locaux sont de type markovien, et les modèles globaux sont des réseaux de neurones. Le gain de la normalisation markovienne est de l'ordre de 3% par rapport à une normalisation linéaire classique (84.47%). Le gain apporté par la combinaison est de l'ordre de 2% par rapport à l'approche markovienne seule (85.35%), soit un score de 87.41%.</div>
</front>
</TEI>
<inist>
<standard h6="B">
<pA>
<fA08 i1="01" i2="1" l="FRE">
<s1>Couplage d'une vision locale par HMM et globale par RN pour la reconnaissance de mots manuscrits</s1>
</fA08>
<fA09 i1="01" i2="1" l="FRE">
<s1>CIFED '2002 : colloque international francophone sur l'écrit et le document : Hammamet, 21-23 octobre 2002</s1>
</fA09>
<fA11 i1="01" i2="1">
<s1>CHOISY (Ch.)</s1>
</fA11>
<fA11 i1="02" i2="1">
<s1>BELAID (A.)</s1>
</fA11>
<fA12 i1="01" i2="1">
<s1>BELAID (A.)</s1>
<s9>ed.</s9>
</fA12>
<fA12 i1="02" i2="1">
<s1>BEN GHEZALA (H.)</s1>
<s9>ed.</s9>
</fA12>
<fA14 i1="01">
<s1>LORIA, Campus scientifique, BP 239</s1>
<s2>54506 Vandoeuvre-lès-Nancy</s2>
<s3>FRA</s3>
<sZ>1 aut.</sZ>
<sZ>2 aut.</sZ>
</fA14>
<fA20>
<s1>345-354</s1>
</fA20>
<fA21>
<s1>2002</s1>
</fA21>
<fA23 i1="01">
<s0>FRE</s0>
</fA23>
<fA24 i1="01">
<s0>eng</s0>
</fA24>
<fA25 i1="01">
<s1>INRIA</s1>
<s2>Le Chesnay</s2>
</fA25>
<fA26 i1="01">
<s0>2-7261-1222-6</s0>
</fA26>
<fA30 i1="01" i2="1" l="FRE">
<s1>Colloque international francophone sur l'écrit et le document</s1>
<s3>Hammamet TUN</s3>
<s4>2002-10-21</s4>
</fA30>
<fA43 i1="01">
<s1>INIST</s1>
<s2>Y 34560</s2>
<s5>354000108545870380</s5>
</fA43>
<fA44>
<s0>0000</s0>
<s1>© 2003 INIST-CNRS. All rights reserved.</s1>
</fA44>
<fA45>
<s0>13 ref.</s0>
</fA45>
<fA47 i1="01" i2="1">
<s0>03-0421977</s0>
</fA47>
<fA60>
<s1>C</s1>
</fA60>
<fA61>
<s0>A</s0>
</fA61>
<fA66 i1="01">
<s0>CHE</s0>
</fA66>
<fA68 i1="01" i2="1" l="ENG">
<s1>Combination of local vision through hidden Markov model and global vision through neural network for handwritten word recognition</s1>
</fA68>
<fC01 i1="01" l="FRE">
<s0>Nous présentons dans cet article une idée de combinaison de modèles à visions locale et globale. Séparément, ces deux types de modèles ont prouvé leurs capacités, et leur combinaison a été exploitée en utilisant les modèles globaux plutôt localement, et les modèles locaux pour synthétiser leurs résultats. Nous proposons une démarche inverse en utilisant les modèles locaux pour normaliser efficacement les images de manière non linéaire, et les modèles globaux pour assurer une cohérence sur l'ensemble de la forme. Les modèles locaux sont de type markovien, et les modèles globaux sont des réseaux de neurones. Le gain de la normalisation markovienne est de l'ordre de 3% par rapport à une normalisation linéaire classique (84.47%). Le gain apporté par la combinaison est de l'ordre de 2% par rapport à l'approche markovienne seule (85.35%), soit un score de 87.41%.</s0>
</fC01>
<fC02 i1="01" i2="X">
<s0>001A01F</s0>
</fC02>
<fC02 i1="02" i2="X">
<s0>205</s0>
</fC02>
<fC03 i1="01" i2="X" l="FRE">
<s0>Reconnaissance optique caractère</s0>
<s5>01</s5>
</fC03>
<fC03 i1="01" i2="X" l="ENG">
<s0>Optical character recognition</s0>
<s5>01</s5>
</fC03>
<fC03 i1="01" i2="X" l="SPA">
<s0>Reconocimento óptico de caracteres</s0>
<s5>01</s5>
</fC03>
<fC03 i1="02" i2="X" l="FRE">
<s0>Caractère manuscrit</s0>
<s5>02</s5>
</fC03>
<fC03 i1="02" i2="X" l="ENG">
<s0>Manuscript character</s0>
<s5>02</s5>
</fC03>
<fC03 i1="02" i2="X" l="SPA">
<s0>Carácter manuscrito</s0>
<s5>02</s5>
</fC03>
<fC03 i1="03" i2="X" l="FRE">
<s0>Méthode globale locale</s0>
<s5>03</s5>
</fC03>
<fC03 i1="03" i2="X" l="ENG">
<s0>Global local method</s0>
<s5>03</s5>
</fC03>
<fC03 i1="03" i2="X" l="SPA">
<s0>Método global local</s0>
<s5>03</s5>
</fC03>
<fC03 i1="04" i2="X" l="FRE">
<s0>Réseau neuronal</s0>
<s5>04</s5>
</fC03>
<fC03 i1="04" i2="X" l="ENG">
<s0>Neural network</s0>
<s5>04</s5>
</fC03>
<fC03 i1="04" i2="X" l="SPA">
<s0>Red neuronal</s0>
<s5>04</s5>
</fC03>
<fC03 i1="05" i2="X" l="FRE">
<s0>Modèle Markov caché</s0>
<s5>05</s5>
</fC03>
<fC03 i1="05" i2="X" l="ENG">
<s0>Hidden Markov model</s0>
<s5>05</s5>
</fC03>
<fC03 i1="05" i2="X" l="SPA">
<s0>Modelo Markov oculto</s0>
<s5>05</s5>
</fC03>
<fC03 i1="06" i2="X" l="FRE">
<s0>Modèle</s0>
<s5>06</s5>
</fC03>
<fC03 i1="06" i2="X" l="ENG">
<s0>Models</s0>
<s5>06</s5>
</fC03>
<fC03 i1="06" i2="X" l="SPA">
<s0>Modelo</s0>
<s5>06</s5>
</fC03>
<fN21>
<s1>293</s1>
</fN21>
<fN82>
<s1>PSI</s1>
</fN82>
</pA>
</standard>
<server>
<NO>PASCAL 03-0421977 INIST</NO>
<FT>Couplage d'une vision locale par HMM et globale par RN pour la reconnaissance de mots manuscrits</FT>
<ET>(Combination of local vision through hidden Markov model and global vision through neural network for handwritten word recognition)</ET>
<AU>CHOISY (Ch.); BELAID (A.); BELAID (A.); BEN GHEZALA (H.)</AU>
<AF>LORIA, Campus scientifique, BP 239/54506 Vandoeuvre-lès-Nancy/France (1 aut., 2 aut.)</AF>
<DT>Congrès; Niveau analytique</DT>
<SO>Colloque international francophone sur l'écrit et le document/2002-10-21/Hammamet TUN; Suisse; Le Chesnay: INRIA; Da. 2002; Pp. 345-354; ISBN 2-7261-1222-6</SO>
<LA>Français</LA>
<FA>Nous présentons dans cet article une idée de combinaison de modèles à visions locale et globale. Séparément, ces deux types de modèles ont prouvé leurs capacités, et leur combinaison a été exploitée en utilisant les modèles globaux plutôt localement, et les modèles locaux pour synthétiser leurs résultats. Nous proposons une démarche inverse en utilisant les modèles locaux pour normaliser efficacement les images de manière non linéaire, et les modèles globaux pour assurer une cohérence sur l'ensemble de la forme. Les modèles locaux sont de type markovien, et les modèles globaux sont des réseaux de neurones. Le gain de la normalisation markovienne est de l'ordre de 3% par rapport à une normalisation linéaire classique (84.47%). Le gain apporté par la combinaison est de l'ordre de 2% par rapport à l'approche markovienne seule (85.35%), soit un score de 87.41%.</FA>
<CC>001A01F; 205</CC>
<FD>Reconnaissance optique caractère; Caractère manuscrit; Méthode globale locale; Réseau neuronal; Modèle Markov caché; Modèle</FD>
<ED>Optical character recognition; Manuscript character; Global local method; Neural network; Hidden Markov model; Models</ED>
<SD>Reconocimento óptico de caracteres; Carácter manuscrito; Método global local; Red neuronal; Modelo Markov oculto; Modelo</SD>
<LO>INIST-Y 34560.354000108545870380</LO>
<ID>03-0421977</ID>
</server>
</inist>
</record>

Pour manipuler ce document sous Unix (Dilib)

EXPLOR_STEP=$WICRI_ROOT/Wicri/Lorraine/explor/InforLorV4/Data/PascalFrancis/Corpus

HfdSelect -h $EXPLOR_STEP/biblio.hfd -nk 000765 | SxmlIndent | more

Ou

HfdSelect -h $EXPLOR_AREA/Data/PascalFrancis/Corpus/biblio.hfd -nk 000765 | SxmlIndent | more

Pour mettre un lien sur cette page dans le réseau Wicri

{{Explor lien
   |wiki=    Wicri/Lorraine
   |area=    InforLorV4
   |flux=    PascalFrancis
   |étape=   Corpus
   |type=    RBID
   |clé=     Pascal:03-0421977
   |texte=   Couplage d'une vision locale par HMM et globale par RN pour la reconnaissance de mots manuscrits
}}
Wicri

This area was generated with Dilib version V0.6.33.
Data generation: Mon Jun 10 21:56:28 2019. Site generation: Fri Feb 25 15:29:27 2022