De l'appariement de graphes symboliques à l'appariement de graphes numériques: Application à la reconnaissance de symboles (original) (raw)
Related papers
Vers une approche floue d'encapsulation de graphes : application à la reconnaissance de symboles
2010
Nous présentons une nouvelle méthode de reconnaissance des symboles, reposant sur une approche structurelle pour représenter les associations visuelles dans les symboles et un classificateur statistique pour la reconnaissance. Un symbole graphique est vectorisé, ses détails topologiques et géométriques sont codés par un graphe relationnel attribué et une signature est produite. Des intervalles flous calculés d'après les données ont été introduits pour éviter la sensibilité des représentations structurelles au bruit. La distribution de probabilités jointes des variables composant les signatures est codée par un réseau bayésien, qui permet de plus de choisir un sous-ensemble de caractéristiques pertinentes. Il est utilisé en apprentissage supervisé pour la reconnaissance des symboles. Les résultats expérimentaux montrent les capacités de reconnaissance et une robustesse au bruit (binaire, vectoriel, contextuel) sur les symboles 2D linéaires, architecturaux et électroniques provenant des bases de données GREC.
Apprentissage progressif pour la reconnaissance de symboles dans les documents graphiques
Les méthodes actuelles de reconnaissance de symboles donnent de bons résultats quand il s'agit de reconnaître peu de symboles différents qui sont peu bruités et souvent déconnectés du graphique. Cependant, dans le cas d'applications réelles, les méthodes sont encore mal maîtrisées quand il s'agit de discriminer dans de grandes bases entre plusieurs centaines de symboles différents, souvent complexes et bruités et encapsulés dans les couches graphiques. Dans ce contexte, il est nécessaire de mettre en oeuvre des méthodes d'apprentissage. Nous présentons dans cet article une méthode d'apprentissage progressif pour la reconnaissance de symboles qui améliore son propre taux de reconnaissance au fur età mesure que de nouveaux symboles sont reconnus dans les documents. Pour ce faire, nous proposons une nouvelle exploitation de l'analyse discriminante qui fournit des règles d'affectationà partir d'unéchantillon d'apprentissage sur lequel les appartenances aux classes sont connues (apprentissage supervisé). Mais cette méthode ne se révèle efficace que si l'échantillon d'apprentissage et les données ultérieures sont observés dans les mêmes conditions. Or cette hypothèse est rarement vérifiée dans les conditions réelles. Pour pallier ce problème, nous avons adapté une approche récente d'analyse discriminante conditionnelle qui ajouteà chaque observation l'observation d'un vecteur aléatoire, représentatif des effets parasites observés dans l'analyse discriminante classique.
Un état de l'art des méthodes de localisation de symboles dans les documents graphiques
Dans cet article, nous proposons un panorama de méthodes de localisation de symboles dans les documents graphiques. Nous les divisons suivant deux catégories : les approches structurelles et les pixelaires. Les approches structurelles sont basées souvent sur des représentations de types graphes et possèdent généralement une étape de segmentation préalable des documents en primitives. Le symbole est ensuite détecté via une étape de regroupements de primitives et sous certaines conditions. Dans les approches pixelaires, la localisation est effectuée directement sur les documents sans étape préalable de segmentation.
Modèles graphiques pour la combinaison de descripteurs: application à la reconnaissance de symboles
Nous présentons dans cet article une adaptation originale des réseaux Bayésiens au problème de la reconnaissance de formes. Plus précisément, nous proposons une méthode de combinaison de descripteurs qui permet d'améliorer significativement le taux de reconnaissance, par rapport aux taux obtenus par chaque descripteur pris individuellement. Pour ce faire, un classificateur est défini en utilisant un modèle de mixtures de Gaussiennes, représenté par un modèle graphique. Les modèles graphiques sont un mode de représentation simple et intuitif des modèles de mixtures de Gaussiennes. Afin de pallier le problème de dimensionnalité, nous utilisons une méthode de sélection de variables. Les résultats expérimentaux, obtenus dans un contexte d'apprentissage supervisé et testés sur différentes bases, sont très prometteurs.
… sur l'Ecrit et le Document, 2010
Le choix des descripteurs constitue un problème majeur dans les systèmes d'analyse d'images, car ces descripteurs conditionnent fortement le résultat final de la recherche ou de la classification. Dans cet article, après avoir proposé un nouveau descripteur invariant aux transformations géométriques usuelles, basé sur la transformée de Radon appelé -signature, un autre ensemble de descripteurs qui découle des transformations en ondelettes de ladite signature et de la -signature, est présenté. Les résultats expérimentaux montrent l'efficacité de ces descripteurs, particulièrement pour des formes complexes non pleines de type symbole graphique. ABSTRACT. The choice of descriptors constitutes a major problem in the image analysis systems, because the final retrieval or classification rates are strongly dependant of these descriptors. In this paper, after we have proposed a new descriptor invariant to common geometric transformations based on the Radon transform, named -signature, another set of descriptors derived from the wavelet transform of the mentioned signature and the signature, is presented. The experimental results show the efficiency of these descriptors, especially for complex shape such as graphical symbols. MOTS-CLÉS : Transformée de Radon, -signature, -signature, Transformée en ondelettes, Symbole graphique.
Identifier. Signes, symboles, logotypes et langages graphiques
Le Ludographe, connaître et pratiquer le design graphique à l’école élémentaire, 2019
Lorsqu’il s’agit d’identifier, le design graphique procède d’un certain nombre de choix contextuels, qui mobilisent ces outils visuels que sont les mots, les images, les mot-images. Ce texte présente le design graphique dans cette perspective, en passant par plusieurs exemples de différentes échelles. Du pictogramme à l’identité visuelle d’une entreprise, c’est l’ensemble de notre univers de signes qui opère selon le régime de l’identification. Ce texte est publié dans Le kit pédagogique « Ludographe – Connaître et pratiquer le design graphique à l’école élémentaire », qui propose aux enseignants·e·s un ensemble d’outils et d’informations qui constituent une introduction au design graphique adaptée à leurs pratiques professionnelles.
2018
Les reseaux convolutionnels ont revolutionne le domaine de l'apprentissage machine. Ces reseaux s'appliquent naturellement aux images, videos et aux sons. En revanche, la structure fixe de leur couche d'entree ne permet pas de les etendre facilement a des structures de topologie arbitraire tels que les graphes. On peut citer comme exemples d'applications la prediction de proprietes de molecules chimiques ou la classification de maillages 3D. Dans le cadre de graphes symboliques, nous proposons une methode permettant d'appliquer des reseaux bases sur une topologie fixe de la couche d'entree a des graphes de topologie arbitraire. Nous proposons egalement d'enrichir l'information contenu dans chaque sommet pour ameliorer la prediction de ses proprietes ainsi qu'une nouvelle couche permettant d'interfacer des graphes de topologie arbitraire avec une couche entierement connectee.
Reconnaissance de motifs dans des graphes: heuristique et applications
2007
The topic of this thesis is graph comparison. In the fi rst part of this manuscript we propose several algorithms for fi nding similar patterns in large graphs. The second part of this thesis deals w ith the study of user fi le systems as the underlying data on w hich the initial pattern recognition methods w ere developed. W e propose a stochastic model for random generation of trees, based on observations of the statistical study of real data.