Recognition of handwritten digits by features and a multi-layer perceptron
Résumé
Handwritten digit recognition was one of the first areas in which neural network technology was applied. Thomson-CSF/LER has developed an intermediate approach between classical methods, based on extracting small sets of parameters, and pure neural methods, in which the network is fed with raw image data.
The method proposed by Thomson-CSF/LER comprises extracting certain features from the digit image followed by the use of a multi-layer perceptron with local connections and shared weights. Complexity and learning time are reduced with still good performances: a generalization rate of 93.6%, on an homemade digit base of 2 600 digits and a generalization rate of 94.4% on a french postal digit base of 1000 digits.
The efficiency of a method combining image processing and connectionist recognition is demonstrated in this paper.
La reconnaissance de chiffres manuscrits à été l'u des premiers domaines d'application des méthodes neuronales. Thomson-CSF/LER a développé une approche intermédiaire entre des méthodes classiques qui se basent sur l'extraction d'un petit nombre de paramètres et les méthodes purement neuronales dans lesquelles un réseau de neurones est directement alimenté par l'image du chiffre.
La méthode proposée par Thomson-CSF/LER consiste à extraire plusieurs caractéristiques à partir de l’image du chiffre, puis à utiliser un perceptron multi-couche comportant des connexions locales et des poids partagés. La complexité et le temps d'apprentissage sont considérablement réduits tout en préservant de bonnes performances : un taux de généralisation de 93,6% est obtenu sur une base interne de 2600 chiffres et un taux de 94,4% sur une base de 1000 chiffres provenant de codes postaux français.
Cet article montre l’efficacité d’une méthode combinant le traitement d'images et une méthode connexionniste.