04 - Une méthode générique pour la conception de moteurs de reconnaissance de symboles manuscrits en ligne

Show full item record

Files in this item

PDF 04•Marukatat couleur.pdf 254.7Kb

Pour citer ce document :
URI: http://hdl.handle.net/2042/4393
Title: 04 - Une méthode générique pour la conception de moteurs de reconnaissance de symboles manuscrits en ligne
Author: MARUKATAT, S.; ARTIERES, T.; GALLINARI, P.
Abstract: Dans ce papier, nous présentons une approche générique pour le développement de moteurs de reconnaissance de symboles manuscrits en ligne. Cette approche permet de concevoir des systèmes de reconnaissance de types très variés correspondant à différents contextes des interfaces stylo, pouvant notamment fonctionner sur diverses classes de caractères ou symboles. Nous présentons en détail notre approche et faisons le lien avec d’une part les modèles de Markov hiérarchiques et d’autre part les réseaux bayésiens dynamiques. Nous évaluons ensuite les propriétés fondamentales de notre approche qui lui confèrent une grande flexibilité. Puis nous montrons que l’on peut, avec cette approche générique, concevoir aussi bien des systèmes omni-scripteur rivalisant avec les meilleurs systèmes actuels sur des caractères alphanumériques usuels, que des systèmes mono-scripteur pour des symboles graphiques quelconques, nécessitant très peu d’exemples d’apprentissage et peu gourmands en ressources machine.
Description: This paper presents a generic approach for designing on-line handwritten shapes recognizers. Our approach allows designing very different recognition engines that correspond to various needs in pen-based interfaces. In particular, it allows dealing with a wide class of symbols and characters. We present in detail our system and make the link between our models and more standard statistical models such as Hierarchical Hidden Markov Models and Dynamic Bayesian Networks. We then evaluate fundamental properties of our approach: learning from scratch any symbol, learning from very few training sample. We show experimentally that, using our approach, one can learn both a state-of-the-art writerindependent recognizer for alphanumeric characters, and a writer-dependent recognizer working with any twodimensional shapes that learns a new symbol with a few training samples and requires very few machines resources.
Subject: Réseaux Bayésiens dynamiques, modèles de Markov, écriture en ligne, reconnaissance de symboles,reconnaissance de gestes graphiques, généricité; Dynamic Bayesian Networks, Hidden Markov Models, On-line handwriting, Symbol recognition,Graphical gesture recognition, Genericity
Publisher: GRETSI, Saint Martin d'Hères, France
Date: 2005

This item appears in the following Collection(s)

Show full item record





Advanced Search