La reconnaissance des caractères arabes manuscrits par les réseaux des neurones convolutionnels

Abstract

Dans notre travail on a utilisé Les réseaux de neurones convolutionnels pour la reconnaissance des caractères manuscrits arabes.Ce sont des réseaux de neurones multicouches qui sont spécialisés dans des taches de reconnaissance de forme. Un avantage majeur des réseaux convolutifs est l'utilisation d'un poids unique associé aux signaux entrant dans tous les neurones d'un même noyau de convolution. Cette méthode réduit l'empreinte mémoire, améliore les performances et permet une invariance du traitement par translation. Comparés à d'autres algorithmes de classification d'image, les réseaux de neurones convolutifs utilisent relativement peu de pré-traitement. Cela signifie que le réseau est responsable de faire évoluer tout seul ses propres filtres (apprentissage sans supervision), ce qui n'est pas le cas d'autres algorithmes plus traditionnels. On a proposé un modèle avec une architecture (des couches de convolutions, des couches de pooling, des couches entièrement connecté et le nombre d’époque). Les résultats obtenus ont montré que le choix du nombre d’époque et la taille de la b ase d’images ainsi que la profondeur du réseau ont une grande influence pour avoir des meilleurs résultats. In our work we used the convolutional neural networks for the recognition of Arabic manuscript characters. These are multilayer neural networks that are specialized in pattern recognition tasks. A major advantage of convolutional networks is the use of a unique weight associated with the signals entering all the neurons of the same convolution core. This method reduces the memory footprint, improves performance3 and allows translation processing invariance. Compared to other image classification algorithms, convolutional neural networks use relatively little pre-processing. This means that the network is responsible for changing its own filters by itself (learning without supervision), which is not the case for other, more traditional algorithms. We proposed a model with an architecture (convolution layers, pooling layers, fully connected layers and the number of epochs). The results obtained have shown that the choice of the number of epochs and the size of the image base as well as the depth of the network have a great influence to have better results.