La vitrine de diffusion des mémoires et thèses de l'ÉTS
RECHERCHER

Contribution à l'intégration des machines à vecteurs de support au sein des systèmes de reconnaisance de formes : application à la lecture automatique de l'écriture manuscrite

Milgram, Jonathan (2007). Contribution à l'intégration des machines à vecteurs de support au sein des systèmes de reconnaisance de formes : application à la lecture automatique de l'écriture manuscrite. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

[img]
Prévisualisation
PDF
Télécharger (4MB) | Prévisualisation

Résumé

Durant ces dernières années, les machines à vecteurs de support (SVM) ont démontré maintes reprises leur supériorité en termes de généralisation. L'objectif de cette thèse de doctorat a alors consisté à isoler les principaux problèmes liés à l'intégration des SVM au sein de systèmes de reconnaissance de formes et notamment des systèmes de lecture automatique de l'écriture manuscrite et à y apporter des éléments de réponse. Nous nous sommes ainsi intéressés à la résolution de problèmes multi-classes, à l'estimation de probabilités a posteriori d'appartenance aux différentes classes, à l'accélération de la prise de décision et enfin à la combinaison avec une approche de classification agissant par modélisation de manière à pouvoir traiter efficacement à la fois les données ambiguës et les données aberrantes.

Titre traduit

Contribution to the integration of support vectors machines into pattern recognition systems: application to automatic reading of cursive handwriting

Résumé anglais

During the last years, support vector machines (SVMs) showed their superiority in terms of generalisation capability. Therefore, the objective of this thesis is to allow for the integration of SVMs in pattern recognition systems. lndeed, to use SVMs into complex systems, like automatic reading systems of cursive handwriting, it is necessary to deal with some particularities of these classifiers. Firstly, since a SVM is able to separate only two classes, it is necessary to combine several SVMs to resolve multi-class problems. Then, we compared the two most popular strategies on two handwritten character recognition problems. Moreover, since in a complex system, the classifier only contributes to a small part of the final decision, it is important to be able to estimate posterior probabilities. Then, we compared several methods to estimate this type of measure, and the results show that SVMs allow significantly better estimation of probabilities than MLP, but are also more complex. For this reason, we proposed to combine MLP and SVM to speed up the decision making. The proposed approach makes it possible to reduce considerably the complexity, without decreasing the precision. Finally, we propose to combine SVMs with a model-based approach. lndeed, this type of approach is better than discriminative approach to detect outliers, but less accurate to classify ambiguous data. Furthermore, the modularity of the proposed approach seems interesting to resolve classification problems, like Chinese or Japanese character recognition, for which the number of classes is very large.

Type de document: Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires: "Thèse présentée à l'École de technologie supérieure comme exigence partielle à l'obtention du doctorat en génie" Bibliogr. : f. [148]-155.
Mots-clés libres: Application, Approche, Automatique, Combinaison, Decision, Ecriture, Forme, Integration, Lecture, Machine, MLP, Multi-Classe, Manuscrit, Modelisation, Probabilite, Probleme, Reconnaissance, Support, SVM, Systeme, Vecteur
Directeur de mémoire/thèse:
Directeur de mémoire/thèse
Sabourin, Robert
Co-directeurs de mémoire/thèse:
Co-directeurs de mémoire/thèse
Cheriet, Mohamed
Programme: Doctorat en génie > Génie
Date de dépôt: 12 avr. 2011 14:27
Dernière modification: 01 déc. 2016 00:38
URI: http://espace.etsmtl.ca/id/eprint/591

Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt

Statistique

Plus de statistique...