Reconnaissance de caractères manuscrits par Réseaux Bayésiens Dynamiques
Khalid Hallouli – Laurence Likforman-Sulem – Marc Sigelle
École Nationale Supérieure des Télecommunications Département de Traitement de Signal et des Images 46 rue Barrault 75634 Paris Cedex 13 France hallouli,likforman,sigelle @tsi.enst.fr Résumé : Ce travail présente une approche pour la reconnaissance des caractères manuscrits qui a l’avantage de surmonter les limitations des modèles de Markov Cachés (HMMs). L’idée principale consiste à construire des modèles 2D en couplant dans un réseau bayésien dynamique deux réseaux de type HMM. Le premier modèle HMM est obtenu à partir d’observations de type colonnes de pixels (HMMvertical), le second à partir d’observations de type lignes (HMM-horizontal). L’un des avantages de ces modèles est de nous permettre d’obtenir une bonne modélisation des images des caractères manuscrits, due aux regroupement des informations concernant les lignes et les colonnes. Les résultats expérimentaux, obtenus sur la base de chiffres MNIST montrent que l’approche par réseaux bayésiens est très prometteuse dans le domaine de la reconnaissance de l’écrit. Mots-clés : Intelligence artificielle, Réseau Bayésien Dynamique, Reconnaissance de caractères manuscrits, Inférence lisons le formalisme des Réseaux Bayésiens (RB). Ce dernier est devenu un formalisme puissant qui unifie différents concepts de modélisation probabiliste utilisés en statistique, intelligence artificielle et reconnaissance de la parole. Ce formalisme est couramment employé pour le raisonnement sous incertain et peut être considéré comme un système expert probabiliste. Les réseaux bayésiens constituent un cadre intéressant pour deux raisons. D’une part, grâce à leurs structures graphiques, les RBs offrent un outil naturel pour représenter les dépendances entre les différentes variables d’un système donné. D’autre part, en exploitant les indépendances conditionnelles entre les variables, ils introduisent