InforLorV4, PascalFrancis, Corpus, bibRecord, 000962

Apprentissage croisé en reconnaissance analytique de l'écriture manuscrite

Identifieur interne : 000962 ( PascalFrancis/Corpus ); précédent : 000961; suivant : 000963

Apprentissage croisé en reconnaissance analytique de l'écriture manuscrite

Auteurs : Christophe Choisy ; Abdel Belaïd

Source :

RBID : Pascal:01-0235487

Descripteurs français

Pascal (Inist)
- Reconnaissance optique caractère, Caractère manuscrit, Apprentissage, Modèle Markov, Modélisation, Mot, Lettre alphabet, Paramètre, Estimation, Algorithme apprentissage, Baum Welch, Modèle Markov caché.

English descriptors

KwdEn :
- Estimation, Learning, Learning algorithm, Letter, Manuscript character, Markov model, Modeling, Optical character recognition, Parameter, Word.

Abstract

Ce papier présente une méthode d'apprentissage croisé de lettres dans le cadre d'une approche analytique de reconnaissance de mots. Les mots sont représentés par des HMMs (Hidden Markov Models) où chaque état représente une lettre. Chaque lettre est décrite par un champ de Markov causal. La génération des modèles de mots est obtenue par fusion des modèles de lettres. La réestimation des paramètres de ces modèles, objet de cet article, est réalisée au travers de l'apprentissage des modèles de lettres et des transitions des HMMs représentant les mots. L'apprentissage des lettres se fait par croisement des paramètres extraits des différents modèles des mots les contenant, de manière à exploiter tous les contextes d'écriture possibles de ces lettres. L'utilisation de l'algorithme de Baum-Welch permet une réestimation optimale de ces paramètres tout en supprimant la nécessité d'une segmentation. Les transitions des HMMs représentant les mots sont également réestimées à l'aide des informations des modèles générés. Les premiers tests, effectués sur 7031 mots de montants de chèques tournis par la SRTP (2/3 en apprentissage, 1/3 en reconnaissance), donnent un taux de reconnaissance de 83.4%.

Notice en format standard (ISO 2709)

Pour connaître la documentation sur le format Inist Standard.

A08	`01`	`1`	`FRE`	`@1 Apprentissage croisé en reconnaissance analytique de l'écriture manuscrite`
A09	`01`	`1`	`FRE`	`@1 CIFED '2000 : colloque international francophone sur l'écrit et le document : Lyon, 2000`
A11	`01`	`1`		`@1 CHOISY (Christophe)`
A11	`02`	`1`		`@1 BELAÏD (Abdel)`
A12	`01`	`1`		`@1 EMPTOZ (Hubert) @9 ed.`
A12	`02`	`1`		`@1 VINCENT (Nicole) @9 ed.`
A14	`01`			`@1 LORIA/CNRS, Campus scientifique, BP 239 @2 54506 Vandoeuvre-les-Nancy @3 FRA @Z 1 aut. @Z 2 aut.`
A20				`@1 203-210`
A21				`@1 2000`
A23	`01`			`@0 FRE`
A25	`01`			`@1 Presses polytechniques et universitaires romandes @2 Lausanne`
A26	`01`			`@0 2-88074-460-1`
A30	`01`	`1`	`FRE`	`@1 Colloque international francophone sur l'écrit et le document @3 Lyon FRA @4 2000`
A43	`01`			`@1 INIST @2 Y 32899 @5 354000092001980210`
A44				`@0 0000 @1 © 2001 INIST-CNRS. All rights reserved.`
A45				`@0 10 ref.`
A47	`01`	`1`		`@0 01-0235487`
A60				`@1 C`
A61				`@0 A`
A66	`01`			`@0 CHE`
A68	`01`	`1`	`ENG`	`@1 Cross-learning in handwritten characters analytical recognition`
C01	`01`		`FRE`	@0 Ce papier présente une méthode d'apprentissage croisé de lettres dans le cadre d'une approche analytique de reconnaissance de mots. Les mots sont représentés par des HMMs (Hidden Markov Models) où chaque état représente une lettre. Chaque lettre est décrite par un champ de Markov causal. La génération des modèles de mots est obtenue par fusion des modèles de lettres. La réestimation des paramètres de ces modèles, objet de cet article, est réalisée au travers de l'apprentissage des modèles de lettres et des transitions des HMMs représentant les mots. L'apprentissage des lettres se fait par croisement des paramètres extraits des différents modèles des mots les contenant, de manière à exploiter tous les contextes d'écriture possibles de ces lettres. L'utilisation de l'algorithme de Baum-Welch permet une réestimation optimale de ces paramètres tout en supprimant la nécessité d'une segmentation. Les transitions des HMMs représentant les mots sont également réestimées à l'aide des informations des modèles générés. Les premiers tests, effectués sur 7031 mots de montants de chèques tournis par la SRTP (2/3 en apprentissage, 1/3 en reconnaissance), donnent un taux de reconnaissance de 83.4%.
C02	`01`	`X`		`@0 001A01F03`
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 Apprentissage @5 03`
C03	`03`	`X`	`ENG`	`@0 Learning @5 03`
C03	`03`	`X`	`SPA`	`@0 Aprendizaje @5 03`
C03	`04`	`X`	`FRE`	`@0 Modèle Markov @5 04`
C03	`04`	`X`	`ENG`	`@0 Markov model @5 04`
C03	`04`	`X`	`SPA`	`@0 Modelo Markov @5 04`
C03	`05`	`X`	`FRE`	`@0 Modélisation @5 05`
C03	`05`	`X`	`ENG`	`@0 Modeling @5 05`
C03	`05`	`X`	`SPA`	`@0 Modelización @5 05`
C03	`06`	`X`	`FRE`	`@0 Mot @5 06`
C03	`06`	`X`	`ENG`	`@0 Word @5 06`
C03	`06`	`X`	`SPA`	`@0 Palabra @5 06`
C03	`07`	`X`	`FRE`	`@0 Lettre alphabet @5 07`
C03	`07`	`X`	`ENG`	`@0 Letter @5 07`
C03	`07`	`X`	`SPA`	`@0 Letra alfabeto @5 07`
C03	`08`	`X`	`FRE`	`@0 Paramètre @5 08`
C03	`08`	`X`	`ENG`	`@0 Parameter @5 08`
C03	`08`	`X`	`SPA`	`@0 Parámetro @5 08`
C03	`09`	`X`	`FRE`	`@0 Estimation @5 09`
C03	`09`	`X`	`ENG`	`@0 Estimation @5 09`
C03	`09`	`X`	`SPA`	`@0 Estimación @5 09`
C03	`10`	`X`	`FRE`	`@0 Algorithme apprentissage @5 10`
C03	`10`	`X`	`ENG`	`@0 Learning algorithm @5 10`
C03	`10`	`X`	`SPA`	`@0 Algoritmo aprendizaje @5 10`
C03	`11`	`X`	`FRE`	`@0 Baum Welch @2 NF @4 INC @5 27`
C03	`12`	`X`	`FRE`	`@0 Modèle Markov caché @2 NI @4 INC @5 28`
N21				`@1 162`

Format Inist (serveur)

NO :	PASCAL 01-0235487 INIST
FT :	Apprentissage croisé en reconnaissance analytique de l'écriture manuscrite
ET :	(Cross-learning in handwritten characters analytical recognition)
AU :	CHOISY (Christophe); BELAÏD (Abdel); EMPTOZ (Hubert); VINCENT (Nicole)
AF :	LORIA/CNRS, Campus scientifique, BP 239/54506 Vandoeuvre-les-Nancy/France (1 aut., 2 aut.)
DT :	Congrès; Niveau analytique
SO :	Colloque international francophone sur l'écrit et le document/2000/Lyon FRA; Suisse; Lausanne: Presses polytechniques et universitaires romandes; Da. 2000; Pp. 203-210; ISBN 2-88074-460-1
LA :	Français
FA :	Ce papier présente une méthode d'apprentissage croisé de lettres dans le cadre d'une approche analytique de reconnaissance de mots. Les mots sont représentés par des HMMs (Hidden Markov Models) où chaque état représente une lettre. Chaque lettre est décrite par un champ de Markov causal. La génération des modèles de mots est obtenue par fusion des modèles de lettres. La réestimation des paramètres de ces modèles, objet de cet article, est réalisée au travers de l'apprentissage des modèles de lettres et des transitions des HMMs représentant les mots. L'apprentissage des lettres se fait par croisement des paramètres extraits des différents modèles des mots les contenant, de manière à exploiter tous les contextes d'écriture possibles de ces lettres. L'utilisation de l'algorithme de Baum-Welch permet une réestimation optimale de ces paramètres tout en supprimant la nécessité d'une segmentation. Les transitions des HMMs représentant les mots sont également réestimées à l'aide des informations des modèles générés. Les premiers tests, effectués sur 7031 mots de montants de chèques tournis par la SRTP (2/3 en apprentissage, 1/3 en reconnaissance), donnent un taux de reconnaissance de 83.4%.
CC :	001A01F03; 205
FD :	Reconnaissance optique caractère; Caractère manuscrit; Apprentissage; Modèle Markov; Modélisation; Mot; Lettre alphabet; Paramètre; Estimation; Algorithme apprentissage; Baum Welch; Modèle Markov caché
ED :	Optical character recognition; Manuscript character; Learning; Markov model; Modeling; Word; Letter; Parameter; Estimation; Learning algorithm
SD :	Reconocimento óptico de caracteres; Carácter manuscrito; Aprendizaje; Modelo Markov; Modelización; Palabra; Letra alfabeto; Parámetro; Estimación; Algoritmo aprendizaje
LO :	INIST-Y 32899.354000092001980210
ID :	01-0235487

Links to Exploration step

Pascal:01-0235487

Le document en format XML

<record><TEI><teiHeader><fileDesc><titleStmt><title xml:lang="fr" level="a">Apprentissage croisé en reconnaissance analytique de l'écriture manuscrite</title>
<author><name sortKey="Choisy, Christophe" sort="Choisy, Christophe" uniqKey="Choisy C" first="Christophe" last="Choisy">Christophe Choisy</name>
<affiliation><inist:fA14 i1="01"><s1>LORIA/CNRS, Campus scientifique, BP 239</s1>
<s2>54506 Vandoeuvre-les-Nancy</s2>
<s3>FRA</s3>
<sZ>1 aut.</sZ>
<sZ>2 aut.</sZ>
</inist:fA14>
</affiliation>
</author>
<author><name sortKey="Belaid, Abdel" sort="Belaid, Abdel" uniqKey="Belaid A" first="Abdel" last="Belaïd">Abdel Belaïd</name>
<affiliation><inist:fA14 i1="01"><s1>LORIA/CNRS, Campus scientifique, BP 239</s1>
<s2>54506 Vandoeuvre-les-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">01-0235487</idno>
<date when="2000">2000</date>
<idno type="stanalyst">PASCAL 01-0235487 INIST</idno>
<idno type="RBID">Pascal:01-0235487</idno>
<idno type="wicri:Area/PascalFrancis/Corpus">000962</idno>
</publicationStmt>
<sourceDesc><biblStruct><analytic><title xml:lang="fr" level="a">Apprentissage croisé en reconnaissance analytique de l'écriture manuscrite</title>
<author><name sortKey="Choisy, Christophe" sort="Choisy, Christophe" uniqKey="Choisy C" first="Christophe" last="Choisy">Christophe Choisy</name>
<affiliation><inist:fA14 i1="01"><s1>LORIA/CNRS, Campus scientifique, BP 239</s1>
<s2>54506 Vandoeuvre-les-Nancy</s2>
<s3>FRA</s3>
<sZ>1 aut.</sZ>
<sZ>2 aut.</sZ>
</inist:fA14>
</affiliation>
</author>
<author><name sortKey="Belaid, Abdel" sort="Belaid, Abdel" uniqKey="Belaid A" first="Abdel" last="Belaïd">Abdel Belaïd</name>
<affiliation><inist:fA14 i1="01"><s1>LORIA/CNRS, Campus scientifique, BP 239</s1>
<s2>54506 Vandoeuvre-les-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>Estimation</term>
<term>Learning</term>
<term>Learning algorithm</term>
<term>Letter</term>
<term>Manuscript character</term>
<term>Markov model</term>
<term>Modeling</term>
<term>Optical character recognition</term>
<term>Parameter</term>
<term>Word</term>
</keywords>
<keywords scheme="Pascal" xml:lang="fr"><term>Reconnaissance optique caractère</term>
<term>Caractère manuscrit</term>
<term>Apprentissage</term>
<term>Modèle Markov</term>
<term>Modélisation</term>
<term>Mot</term>
<term>Lettre alphabet</term>
<term>Paramètre</term>
<term>Estimation</term>
<term>Algorithme apprentissage</term>
<term>Baum Welch</term>
<term>Modèle Markov caché</term>
</keywords>
</textClass>
</profileDesc>
</teiHeader>
<front><div type="abstract" xml:lang="fr">Ce papier présente une méthode d'apprentissage croisé de lettres dans le cadre d'une approche analytique de reconnaissance de mots. Les mots sont représentés par des HMMs (Hidden Markov Models) où chaque état représente une lettre. Chaque lettre est décrite par un champ de Markov causal. La génération des modèles de mots est obtenue par fusion des modèles de lettres. La réestimation des paramètres de ces modèles, objet de cet article, est réalisée au travers de l'apprentissage des modèles de lettres et des transitions des HMMs représentant les mots. L'apprentissage des lettres se fait par croisement des paramètres extraits des différents modèles des mots les contenant, de manière à exploiter tous les contextes d'écriture possibles de ces lettres. L'utilisation de l'algorithme de Baum-Welch permet une réestimation optimale de ces paramètres tout en supprimant la nécessité d'une segmentation. Les transitions des HMMs représentant les mots sont également réestimées à l'aide des informations des modèles générés. Les premiers tests, effectués sur 7031 mots de montants de chèques tournis par la SRTP (2/3 en apprentissage, 1/3 en reconnaissance), donnent un taux de reconnaissance de 83.4%.</div>
</front>
</TEI>
<inist><standard h6="B"><pA><fA08 i1="01" i2="1" l="FRE"><s1>Apprentissage croisé en reconnaissance analytique de l'écriture manuscrite</s1>
</fA08>
<fA09 i1="01" i2="1" l="FRE"><s1>CIFED '2000 : colloque international francophone sur l'écrit et le document : Lyon, 2000</s1>
</fA09>
<fA11 i1="01" i2="1"><s1>CHOISY (Christophe)</s1>
</fA11>
<fA11 i1="02" i2="1"><s1>BELAÏD (Abdel)</s1>
</fA11>
<fA12 i1="01" i2="1"><s1>EMPTOZ (Hubert)</s1>
<s9>ed.</s9>
</fA12>
<fA12 i1="02" i2="1"><s1>VINCENT (Nicole)</s1>
<s9>ed.</s9>
</fA12>
<fA14 i1="01"><s1>LORIA/CNRS, Campus scientifique, BP 239</s1>
<s2>54506 Vandoeuvre-les-Nancy</s2>
<s3>FRA</s3>
<sZ>1 aut.</sZ>
<sZ>2 aut.</sZ>
</fA14>
<fA20><s1>203-210</s1>
</fA20>
<fA21><s1>2000</s1>
</fA21>
<fA23 i1="01"><s0>FRE</s0>
</fA23>
<fA25 i1="01"><s1>Presses polytechniques et universitaires romandes</s1>
<s2>Lausanne</s2>
</fA25>
<fA26 i1="01"><s0>2-88074-460-1</s0>
</fA26>
<fA30 i1="01" i2="1" l="FRE"><s1>Colloque international francophone sur l'écrit et le document</s1>
<s3>Lyon FRA</s3>
<s4>2000</s4>
</fA30>
<fA43 i1="01"><s1>INIST</s1>
<s2>Y 32899</s2>
<s5>354000092001980210</s5>
</fA43>
<fA44><s0>0000</s0>
<s1>© 2001 INIST-CNRS. All rights reserved.</s1>
</fA44>
<fA45><s0>10 ref.</s0>
</fA45>
<fA47 i1="01" i2="1"><s0>01-0235487</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>Cross-learning in handwritten characters analytical recognition</s1>
</fA68>
<fC01 i1="01" l="FRE"><s0>Ce papier présente une méthode d'apprentissage croisé de lettres dans le cadre d'une approche analytique de reconnaissance de mots. Les mots sont représentés par des HMMs (Hidden Markov Models) où chaque état représente une lettre. Chaque lettre est décrite par un champ de Markov causal. La génération des modèles de mots est obtenue par fusion des modèles de lettres. La réestimation des paramètres de ces modèles, objet de cet article, est réalisée au travers de l'apprentissage des modèles de lettres et des transitions des HMMs représentant les mots. L'apprentissage des lettres se fait par croisement des paramètres extraits des différents modèles des mots les contenant, de manière à exploiter tous les contextes d'écriture possibles de ces lettres. L'utilisation de l'algorithme de Baum-Welch permet une réestimation optimale de ces paramètres tout en supprimant la nécessité d'une segmentation. Les transitions des HMMs représentant les mots sont également réestimées à l'aide des informations des modèles générés. Les premiers tests, effectués sur 7031 mots de montants de chèques tournis par la SRTP (2/3 en apprentissage, 1/3 en reconnaissance), donnent un taux de reconnaissance de 83.4%.</s0>
</fC01>
<fC02 i1="01" i2="X"><s0>001A01F03</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>Apprentissage</s0>
<s5>03</s5>
</fC03>
<fC03 i1="03" i2="X" l="ENG"><s0>Learning</s0>
<s5>03</s5>
</fC03>
<fC03 i1="03" i2="X" l="SPA"><s0>Aprendizaje</s0>
<s5>03</s5>
</fC03>
<fC03 i1="04" i2="X" l="FRE"><s0>Modèle Markov</s0>
<s5>04</s5>
</fC03>
<fC03 i1="04" i2="X" l="ENG"><s0>Markov model</s0>
<s5>04</s5>
</fC03>
<fC03 i1="04" i2="X" l="SPA"><s0>Modelo Markov</s0>
<s5>04</s5>
</fC03>
<fC03 i1="05" i2="X" l="FRE"><s0>Modélisation</s0>
<s5>05</s5>
</fC03>
<fC03 i1="05" i2="X" l="ENG"><s0>Modeling</s0>
<s5>05</s5>
</fC03>
<fC03 i1="05" i2="X" l="SPA"><s0>Modelización</s0>
<s5>05</s5>
</fC03>
<fC03 i1="06" i2="X" l="FRE"><s0>Mot</s0>
<s5>06</s5>
</fC03>
<fC03 i1="06" i2="X" l="ENG"><s0>Word</s0>
<s5>06</s5>
</fC03>
<fC03 i1="06" i2="X" l="SPA"><s0>Palabra</s0>
<s5>06</s5>
</fC03>
<fC03 i1="07" i2="X" l="FRE"><s0>Lettre alphabet</s0>
<s5>07</s5>
</fC03>
<fC03 i1="07" i2="X" l="ENG"><s0>Letter</s0>
<s5>07</s5>
</fC03>
<fC03 i1="07" i2="X" l="SPA"><s0>Letra alfabeto</s0>
<s5>07</s5>
</fC03>
<fC03 i1="08" i2="X" l="FRE"><s0>Paramètre</s0>
<s5>08</s5>
</fC03>
<fC03 i1="08" i2="X" l="ENG"><s0>Parameter</s0>
<s5>08</s5>
</fC03>
<fC03 i1="08" i2="X" l="SPA"><s0>Parámetro</s0>
<s5>08</s5>
</fC03>
<fC03 i1="09" i2="X" l="FRE"><s0>Estimation</s0>
<s5>09</s5>
</fC03>
<fC03 i1="09" i2="X" l="ENG"><s0>Estimation</s0>
<s5>09</s5>
</fC03>
<fC03 i1="09" i2="X" l="SPA"><s0>Estimación</s0>
<s5>09</s5>
</fC03>
<fC03 i1="10" i2="X" l="FRE"><s0>Algorithme apprentissage</s0>
<s5>10</s5>
</fC03>
<fC03 i1="10" i2="X" l="ENG"><s0>Learning algorithm</s0>
<s5>10</s5>
</fC03>
<fC03 i1="10" i2="X" l="SPA"><s0>Algoritmo aprendizaje</s0>
<s5>10</s5>
</fC03>
<fC03 i1="11" i2="X" l="FRE"><s0>Baum Welch</s0>
<s2>NF</s2>
<s4>INC</s4>
<s5>27</s5>
</fC03>
<fC03 i1="12" i2="X" l="FRE"><s0>Modèle Markov caché</s0>
<s2>NI</s2>
<s4>INC</s4>
<s5>28</s5>
</fC03>
<fN21><s1>162</s1>
</fN21>
</pA>
</standard>
<server><NO>PASCAL 01-0235487 INIST</NO>
<FT>Apprentissage croisé en reconnaissance analytique de l'écriture manuscrite</FT>
<ET>(Cross-learning in handwritten characters analytical recognition)</ET>
<AU>CHOISY (Christophe); BELAÏD (Abdel); EMPTOZ (Hubert); VINCENT (Nicole)</AU>
<AF>LORIA/CNRS, Campus scientifique, BP 239/54506 Vandoeuvre-les-Nancy/France (1 aut., 2 aut.)</AF>
<DT>Congrès; Niveau analytique</DT>
<SO>Colloque international francophone sur l'écrit et le document/2000/Lyon FRA; Suisse; Lausanne: Presses polytechniques et universitaires romandes; Da. 2000; Pp. 203-210; ISBN 2-88074-460-1</SO>
<LA>Français</LA>
<FA>Ce papier présente une méthode d'apprentissage croisé de lettres dans le cadre d'une approche analytique de reconnaissance de mots. Les mots sont représentés par des HMMs (Hidden Markov Models) où chaque état représente une lettre. Chaque lettre est décrite par un champ de Markov causal. La génération des modèles de mots est obtenue par fusion des modèles de lettres. La réestimation des paramètres de ces modèles, objet de cet article, est réalisée au travers de l'apprentissage des modèles de lettres et des transitions des HMMs représentant les mots. L'apprentissage des lettres se fait par croisement des paramètres extraits des différents modèles des mots les contenant, de manière à exploiter tous les contextes d'écriture possibles de ces lettres. L'utilisation de l'algorithme de Baum-Welch permet une réestimation optimale de ces paramètres tout en supprimant la nécessité d'une segmentation. Les transitions des HMMs représentant les mots sont également réestimées à l'aide des informations des modèles générés. Les premiers tests, effectués sur 7031 mots de montants de chèques tournis par la SRTP (2/3 en apprentissage, 1/3 en reconnaissance), donnent un taux de reconnaissance de 83.4%.</FA>
<CC>001A01F03; 205</CC>
<FD>Reconnaissance optique caractère; Caractère manuscrit; Apprentissage; Modèle Markov; Modélisation; Mot; Lettre alphabet; Paramètre; Estimation; Algorithme apprentissage; Baum Welch; Modèle Markov caché</FD>
<ED>Optical character recognition; Manuscript character; Learning; Markov model; Modeling; Word; Letter; Parameter; Estimation; Learning algorithm</ED>
<SD>Reconocimento óptico de caracteres; Carácter manuscrito; Aprendizaje; Modelo Markov; Modelización; Palabra; Letra alfabeto; Parámetro; Estimación; Algoritmo aprendizaje</SD>
<LO>INIST-Y 32899.354000092001980210</LO>
<ID>01-0235487</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 000962 | SxmlIndent | more

HfdSelect -h $EXPLOR_AREA/Data/PascalFrancis/Corpus/biblio.hfd -nk 000962 | 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:01-0235487
   |texte=   Apprentissage croisé en reconnaissance analytique de l'écriture manuscrite
}}

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

	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.

Serveur d'exploration sur la recherche en informatique en Lorraine

Apprentissage croisé en reconnaissance analytique de l'écriture manuscrite

Apprentissage croisé en reconnaissance analytique de l'écriture manuscrite

Source :

Descripteurs français

English descriptors

Abstract

Notice en format standard (ISO 2709)

Format Inist (serveur)

Links to Exploration step

Le document en format XML

Pour manipuler ce document sous Unix (Dilib)

Pour mettre un lien sur cette page dans le réseau Wicri