Résumé:
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.
