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 |