Apprentissage incrémental avec peu de données pour la reconnaissance de caractères manuscrits en-ligne

Show full item record

Files in this item

PDF 01•Almaksour(2009015).pdf 279.2Kb

Pour citer ce document :
URI: http://hdl.handle.net/2042/32606
Title: Apprentissage incrémental avec peu de données pour la reconnaissance de caractères manuscrits en-ligne
Author: ALMAKSOUR, Abdullah; MOUCHÈRE, Harold; ANQUETIL, Eric
Abstract: Dans ce papier, nous présentons un nouvel algorithme d’apprentissage incrémental d’un système de reconnaissance en-ligne de caractères manuscrits. L’objectif est d’apprendre «à la volée » toute nouvelle classe de caractères à partir de très peu d’exemples de caractères tout en optimisant les classes déjà modélisées au fur et à mesure de la saisie de nouveaux exemples. Le système proposé est capable de surmonter le problème du manque de données d’apprentissage lors de l’introduction d’une nouvelle classe de caractères grâce à la synthèse de caractères artificiels. Les tests ont été conduits dans le cadre d’un apprentissage incrémental mono-scripteur de lettres minuscules cursives sur une base de 18 scripteurs. Les résultats montrent qu’un bon taux de reconnaissance (environ 90 %) est atteint en utilisant seulement 5 exemples d’apprentissage par classe. De plus, ce taux augmente rapidement pour atteindre 94 % pour 10 exemples, et environ 97 % pour 30. Une réduction d’erreur de 40 % est obtenue en utilisant la synthèse de caractères par rapport à une stratégie sans synthèse.
Description: In the last decade, the world witnessed the emergence of touch screen devices, from Personal Digital Assistants (PDAs) to Tablet PCs and other instruments that use pen-based interfaces. More and more efforts are needed to make online handwriting recognition systems more robust and adaptive in order to meet the increasing user requirements. One of these new requirements is to build a recognition system that allows the user to choose his own group of gestures and assign them to different interactive commands, e.g. “copy”, “paste’’, “undo”, etc. This application context imposes specific conditions on the used learning approach. In such approach, the system must be able to rapidly learn a new unseen gesture using only few data. The later is due to the fact that users would rarely be willing to wait and repeat each new gesture a dozen of times for training the system. Furthermore, such a learning process must be progressively repeated for each newly added data. For all these reasons, this study aims at introducing a fast incremental learning strategy for online handwriting recognition systems. The main difficulty is to build on-the-fly a handwriting classifier from scratch, with the constraint of few available learning examples, and then to adapt it incrementally in order to achieve high recognition rate as soon as possible. In this paper, we propose a new algorithm for structure and parameters incremental learning with a partial instance memory. This system is used in our context for the recognition of online handwritten characters, and is able to learn a new class while continuing to evolve, example after example, without using all past data...
Subject: Apprentissage incrémental, reconnaissance de caractères manuscrits en-ligne, synthèse de données manuscrites, rejet d’ambiguïté, systèmes d’inférence floue
Publisher: GRETSI, Saint Martin d'Hères, France
Date: 2009

This item appears in the following Collection(s)

Show full item record





Advanced Search