MÉLIDIS : Reconnaissance de formes par modélisation mixte intrinsèque/discriminante à base de systèmes d'inférence floue hiérarchisés - TEL - Thèses en ligne
Theses Year : 2003

MÉLIDIS: Pattern recognition by intrinsic/discriminant dual modeling based on a hierarchical organization of fuzzy inference systems

MÉLIDIS : Reconnaissance de formes par modélisation mixte intrinsèque/discriminante à base de systèmes d'inférence floue hiérarchisés

Abstract

To facilitate the integration of pattern recognition systems in real applications, we present a new approach which aim is to combine properties that are rarely fully satisfied in the same recognition system. These properties are: performances, generic architecture and learning, reliability, robustness, compactness and transparency. This last point is particularly important to make the system easier to adapt, maintain and optimize for a given application. Our approach is totally data driven and focuses on knowledge properties in a classifier. The main originality comes from the cooperation of intrinsic and discriminant knowledge that are extracted and modelized automatically. They are organized in two levels: the first one models classes with fuzzy prototypes and the second one operates discrimination on shapes that have similar intrinsic properties using fuzzy decision trees. The system is entirely formalized by fuzzy inference systems that are combined for final classification. This approach led up to the implementation of the Mélidis system that has been evaluated on several benchmarks including handwritten character recognition.
La problématique de la reconnaissance de formes manuscrites est particulièrement riche et complexe. Il existe en effet un grand nombre de problèmes différents à traiter dans lesquels les formes à reconnaître sont nombreuses, soumises à une variabilité importante et donc sources de confusions. De plus, les contraintes applicatives, et notamment celles résultant de la volonté de diffusion des moyens informatiques au travers de l'informatique nomade (PDA, smart phone...), font que la conception et l'adaptation de systèmes de reconnaissance à des contextes précis d'utilisation sont particulièrement délicats.

Pour faciliter cette mise au point nous proposons une méthodologie de classification visant à réunir un ensemble de propriétés rarement satisfaites dans une même approche : performances, généricité, fiabilité, robustesse, compacité et interprétabilité. Ce dernier point est particulièrement important puisqu'il permet au concepteur d'adapter, de maintenir et d'optimiser le système plus facilement. L'approche proposée, centrée sur la notion de connaissances dans un classifieur, est entièrement guidée par les données. L'originalité réside notamment dans l'exploitation conjointe de connaissances intrinsèques et discriminantes extraites automatiquement et organisées sur deux niveaux pour bénéficier au mieux de leur complémentarité. Le premier niveaux modélise les classes de façon explicite par des prototypes flous. Ceux-ci sont notamment utilisés pour décomposer le problème initial en sous-problèmes dans lesquels les formes possèdant des propriétés intrinsèques similaires sont regroupées. Le second niveau effectue ensuite une discrimination ciblée sur ces sous-problèmes par des arbres de décision flous. L'ensemble est formalisé de façon homogène par des systèmes d'inférence floue qui sont combinés pour la classification.

Cette approche a conduit à la réalisation du système Mélidis qui a été validé sur plusieurs benchmarks dont des problèmes de reconnaissance de caractères manuscrits en ligne.
Fichier principal
Vignette du fichier
tel-00005225.pdf (2.04 Mo) Télécharger le fichier
Loading...

Dates and versions

tel-00005225 , version 1 (05-03-2004)

Identifiers

  • HAL Id : tel-00005225 , version 1

Cite

Nicolas Ragot. MÉLIDIS : Reconnaissance de formes par modélisation mixte intrinsèque/discriminante à base de systèmes d'inférence floue hiérarchisés. Interface homme-machine [cs.HC]. Université Rennes 1, 2003. Français. ⟨NNT : ⟩. ⟨tel-00005225⟩
341 View
461 Download

Share

More