Exploitation de l'échelle d'écriture pour améliorer la reconnaissance automatique des textes manuscrits arabes

Abstract

Les documents manuscrits arabes présentent des défis spécifiques pour la reconnaissance du fait de la nature de l'écriture cursive et d'autres facteurs, comme la taille de l'écriture. Une des plus grandes bases étiquetées des documents manuscrits arabes, la base de données NIST­OpenHaRT inclut de grandes variabilités dans la taille du texte inter et intra mots et lignes. Nous proposons plusieurs approches pour faire face à ces variations lors des phases d'apprentissage et de reconnaissance. Nos premières expériences montrent que la reconnaissance est largement affectée par la taille d'écriture et offrent ainsi une voie pour l'amélioration des performances en tenant compte de l'échelle d'écriture. En phase de reconnaissance, nous avons redimensionné chaque donnée de test à plusieurs tailles prédéfinies, puis nous avons combiné les scores de reconnaissance associés à chacune des tailles. Cette approche a permis des gains notables de performance. De plus, nous avons intégré des données artificiellement redimensionnées pour adapter les modèles HMM à différentes échelles. Nous avons aussi obtenu des gains de performance par deux méthodes différentes de combinaison (ROVER, treillis) des résultats des modèles adaptés. Nous fournissons des résultats de reconnaissance montrant les avantages de l'exploitation de la taille d'écriture.