| Attributes | Values |
|---|
| type
| |
| Thesis advisor
| |
| Author
| |
| alternative label
| - Graphs contribution in unconstraint old handwritten characters recognition
|
| dc:subject
| - Thèses et écrits académiques
- Reconnaissance des formes (informatique)
- Reconnaissance optique des caractères
- Graphes aléatoires
|
| preferred label
| - Apport des graphes dans la reconnaissance non-contrainte de caractères manuscrits anciens
|
| Language
| |
| Subject
| |
| dc:title
| - Apport des graphes dans la reconnaissance non-contrainte de caractères manuscrits anciens
|
| Degree granting institution
| |
| note
| - Our work has been motivated by the issue of generic handwritten characters recognition. We try to address it with structural methods based on graph modelling. The documents processed are unconstrained and come from different periods. Classical statistical methods are efficients but they can only process languages with restrained vocabulary according to a learning phase. Two recognition systems based on attributed graphs are proposed. The first one uses numerical attributes and random graphs for modelling the learning base. The structural information changes the complexity notion and allows an interesting cooperation with statistical methods. The second one uses hierarchical fuzzy attributes. It is a model-based recognition system with no learning phase. It brings an interesting first step for generic recognition.
- L'objectif des travaux réalisés au cours de cette thèse est d'adresser la problématique de la reconnaissance générique de caractères manuscrits par les méthodes structurelles à base de graphes. Les écrits traités sont non-contraints et hétérogènes dans le temps. Les méthodes classiques, dites statistiques, sont efficaces mais ne peuvent s'appliquer qu'à des écritures à vocabulaire restreint dans le cadre d'un système avec une phase d'apprentissage. Nous proposons deux systèmes de reconnaissance à base de graphes d'attributs. Le premier utilise des attributs numériques et une modélisation de la base d'apprentissage avec des graphes aléatoires. L'intégration des informations de structure change la notion de complexité et permet une coopération intéressante avec les approches statistiques. Le second système utilise des attributs hiérarchiques flous. Il permet une reconnaissance sans apprentissage basée sur des modèles qui tend vers la reconnaissance générique recherchée.
|
| dc:type
| |
| http://iflastandar...bd/elements/P1001
| |
| rdaw:P10219
| |
| has content type
| |
| is primary topic
of | |
| is rdam:P30135
of | |
![[RDF Data]](/fct/images/sw-rdf-blue.png)
