Un Modèle d’Apprentissage Profond pour la Reconnaissance des Caractères Manuscrits
Loading...
Date
2022
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Faculté des Sciences
Abstract
Ce mémoire s’inscrit dans le cadre de la reconnaissance automatique de l’écriture manuscrite, qui a suscité beaucoup d'intérêt de la part des chercheurs au cours des dernières décennies, en raison de son omniprésence dans les domaines où les humains interagissent, communiquent et effectuent des transactions.
Le Deep Learning (Apprentissage Profond) et plus particulièrement, le réseau de neurones convolutif CNN (Convolutional Neural Network) a montré beaucoup de succès dans le domaine de reconnaissance de l’écriture manuscrite. Le succès est largement lié à son architecture profonde qui comporte plusieurs couches cachées permettant l’extraction automatique des caractéristiques. La modélisation des couches CNN ainsi que les hyper paramètres ont un effet profond sur la précision du modèle de reconnaissance.
Dans ce mémoire, nous présentons un modèle de Deep Learning basé sur les CNN pour la reconnaissance des caractères manuscrits. Afin d’améliorer la précision du modèle, une série d’expérimentations sur l’ensemble de données EMNIST a été réalisée pour déterminer les hyper paramètres optimaux de l'architecture CNN. Le réseau profond CNN a été entrainé et évalué sur les sous-ensembles de données EMNIST Letters, EMNIST Balanced et EMNIST MNIST. La précision de la classification pour les trois ensembles de données était de 94,28 %, 88,93 %, et 99,32 % respectivement. Les résultats comparatifs avec certains algorithmes d’apprentissage et quelques travaux précédents sur la même base de données sont très encourageants.