| Titre : | La détection et la reconnaissance de l’écriture arabe manuscrite en utilisant les RNC |
| Auteurs : | Khaled Ghettas, Auteur ; Sihem Slatnia, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2022 |
| Format : | 1 vol. (94 p.) / couv. ill. en coul / 30 cm |
| Langues: | Français |
| Résumé : |
La reconnaissance de l’écriture arabe manuscrite est une opération parfaite pour trouver son application dans plusieurs domaines. Cependant, il existe certains domaines où la reconnaissance de l'écriture manuscrite a été utilisée avec un certain succès. Le Tri automatique des emails, traitement automatique des fichiers de gestion, formulaires d'enquête, encaissement des chèques bancaires, etc. La reconnaissance de l'écriture manuscrite est beaucoup plus compliquée que la reconnaissance de l'écriture imprimée en raison de son extrême variabilité (variabilité de la forme, espacement des mots à la lettre, variabilité des lignes, similarité d’écriture manuscrite des mots). Ce mémoire traite en détail de la reconnaissance hors ligne de l’écriture arabe manuscrite. Nous avons proposé un modèle d'apprentissage profond qui repose essentiellement sur un mécanisme efficace appelé réseau de neurones convolutifs. Des études expérimentales montrent que les RNC ont considérablement amélioré la reconnaissance de l’écriture arabe manuscrite, ainsi que sa fiabilité. Les performances de ce modèle ont été testées dans la base de données IFN \ ENIT. Les résultats obtenus sont très encourageons, avec un taux deprécision de 92% pour laclassification, malgré la complexité des mots et les similitudes entre l’écriture des différents mots. |
| Sommaire : |
LISTES DES FIGURES.6 LISTE DES TABLEAUX.8 LISTE DES EQUATIONS 9 INTRODUCTION GENERALE. 10 CHAPITRE 1 : L’APRENTISSAGE AUTOMATIQUE ET PROFOND 12 1. INTRODUCTION 13 2. QU’EST-CE QUE L’APPRENTISSAGE AUTOMATIQUE? 13 APPRENTISSAGE SUPERVISE. 13 La Classification et la Régression 14 APPRENTISSAGE AUTOMATIQUE NON SUPERVISE . 15 Regroupement ou Clustering16 Association 16 APPRENTISSAGE AUTOMATIQUE SEMI-SUPERVISE 17 3. APPRENTISSAGE A PROFOND (DEEP LEARNING) 18 FONCTIONNEMENT DU DEEP LEARNING 18 DOMAINES D’APPLICATION DU DL 19 LES POINTS FORTS ET LES POINTS FAIBLES DU DL LES POINTS FORTS 20 Les points fort20 Les points faibles.21 4. RESEAUX DE NEURONES 22 RNN LES RESEAUX DE NEURONES NATURELS. 22 RESEAUX DE NEURONES ARTIFICIELS 23 LES RESEAUX DE NEURONES PROFONDS (CNN) 24 Définition 24 Architecture .24 Couche convolution26 Pooling 28 4.3.4.1 Définition 28 La détection et la reconnaissan 2 4.3.4.2 Principe. 29 stirde 30 paddi31 Couche fully-connected 31 Architecture d’un CNN 32 5. HYPER PARAMETRES IN DEEPLEARNING 33 NOMBRE D'EPOQUES 34 TAILLE DU LOT34 6. LES FONCTIONS DE DEEPLEARNING 34 FONCTIONS DE PERTE 34 FONCTION DE COUT 35 7. LA DESCENTE DE GRADIENT (GD) 36 8. MATRICE DE CONFUSION 36 DEFINITION. 36 METRIQUES DE LA MATRICE DE CONFUSIOn 37 Précision38 Précision (accuracy) 38 Rappeler (recall).38 F1 score.39 9. TRANSFER LEARNING 39 10. COMMENT FONCTIONNE L'APPRENTISSAGE PAR TRANSFERT 11. LE PARAMETRAGE DES COUCHES 40 12. CONCLUSION 41 CHAPITRE 2 : LA RECONNAISSANCE D’ECRITURE ARABE MANUSCRITE 42 1. INTRODUCTION 43 2. RECONNAISSANCE EN LIGNE ET HORS LIGNE. 43 SYSTEMES EN LIGNE 43 SYSTEMES HORS LIGNE 43 CRITERES D'INFLUENCES 44 La détection et la reconnaissance de l’écriture arabe manuscrite en utilisant les RNC Page 3 COMPARAISON DE LA RECONNAISSANCE DES CARACTERES EN LIGNE ET HORS-LIGNE 45 3. LA RECONNAISSANCE DE L’ECRITURE ARABE MANUSCRITE . 45 PRESENTATION DE LA LANGUE ARABE 45 DIFFICULTES INHERENTES A LA RECONNAISSANCE DE L’ECRITURE ARABE 45 Alphabet .45 Signes diacritiques.46 Des points nécessaires pour différencier les lettres 46 4. DOMAINES D’APPLICATION DE LA RECONNAISSANCE MANUSCRITE 47 DOMAINES D’APPLICATIONS 47 QUELQUES EXEMPLES D’APPLICATIONS 48 5. TRAVAUX CONNEXES 49 6. DETECTION DE TEXTE ARABE DANS LES VIDEOS 50 7. CLASSIFICATION DES REGIONS DE TEXTE 50 8. DETECTION BASEE SUR LE RESEAU DE NEURONES A CONVOLUTION 51 9. UN APERÇU DES RESEAUX DE NEURONES A CONVOLUTION . 51 10. LES DIFFERENTS TYPES DE FORMAT D’IMAGE 54 DEFINITION DE L'IMAGE NUMERIQUE 54 11. CARACTERISTIQUES DE L’IMAGE 55 LES PIXELS 55 LA RÉSOLUTION D’UNE IMAGE 56 IMAGE AU NIVEAU DE GRIS 57 CONTRASTE 57 LUMINANCE. 57 BRUIT 57 CONTOUR 58 12. CONCLUSION . 58 CHAPITRE 3 : CONCEPTION ET IMPLEMENTATION 59 1. INTRODUCTION 60La détection et la reconnaissance de l’écriture arabe manuscrite en utilisant les RNC 2. RECONNAISSANCE DE L’ECRITURE ARABE PAR LE DEEP LEARNING 60 EXPLICATION GENERALE 60 CONCEPTION GLOBALE. 60 Architecture .60 Quelques étapes spécifiques à notre programme 61 Acquisition.61 Prétraitement61 2.2.4.1 Suppression de bruit62 2.2.4.2 Normalisation 62 2.2.4.3 Seuillage 63 2.2.4.4 FILTRAGE 64 2.2.4.5 Squelettisation : 65 Extraction des caractéristiques .65 2.2.5.1 Type de caractéristiques 65 2.2.5.2 Caractéristiques structurelles 65 2.2.5.3 Caractéristiques statistiques 66 2.2.5.4 Caractéristiques globales . 66 2.2.5.5 Caractéristiques morphologiques 66 2.2.5.6 Caractéristiques métriques 66 2.2.5.7 Caractéristiques adaptatives 67 3. ARCHITECTURE D'UN CNN 67 TYPES DE COUCHE 67 Couche convolutionnelle (CONV).67 Pooling (POOL).67 Fully Connected (FC)68 4. COMPRENDRE LA COMPLEXITE DU MODELE 68 FONCTIONS D'ACTIVATION COMMUNEMENT UTILISEES 69 Relu 69 Softmax 70 5. CLASSIFICATION 71 6. DESCRIPTION DE LA BASE DE DONNEES 72La détection et la reconnaissance de l’écriture arabe manuscrite en utilisant les RNC Page 5 7. METRIQUE D’EVALUATION DE PERFORMANCE 73 8. CONCLUSION 74 CHAPITRE 4 : RESULTATS EXPERIMENTAUX 75 1. INTRODUCTION. 76 2. CONCEPTION DE L’ARCHITECTURE CNN 76 3. LOGICIELS ET LIBRAIRIES UTILISES DANS L’IMPLEMENTATION76 4. CONFIGURATION UTILISE DANS L’IMPLEMENTATION 79 5. LE DATASET UTILISE 80 6. L’ARCHITECTURE D’UN SYSTEM DE RECONNAISSANCE D’ECRITURE ARABEMANUSCRITE 80 CODE SOURCE DE NOTRE MODELE PROPOSE 82 7. RESULTATS EXPERIMENTAUX 86 L’INTERFACE DE NOTRE SYSTEM 86 L’ETAPE DE PRETRAITEMENTS 86 Les filtre que nous avons utilisé sur les images .86 TAUX DE PRECISION DU MODELE 89 8. QUELQUES RESULTATS EXPERIMENTAUX 90 9. MATRICE DE CONFUSION DE NOTRE TEST 92 10. DISCUSSION. 93 11. CONCLUSION 93 CONCLUSION GENERALE 94 |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/721 | Mémoire master | bibliothèque sciences exactes | Consultable |
