Présentation
EnglishRÉSUMÉ
Discipline à la fois ancienne de par son histoire et très jeune de par ses multiples évolutions au cours des dernières décennies, la reconnaissance des formes (RDF) a pour but de concevoir des outils automatiques informatiques capables de reconnaître des formes. La RDF a longtemps été considérée comme une composante du domaine de l’intelligence artificielle, donc de la production de robots possédant la capacité d’apprendre, de raisonner, mais aussi d’interagir avec le monde extérieur, donc de reconnaître les objets. Dans ce cadre, la RDF a eu initialement pour rôle de produire tous les algorithmes nécessaires à la perception abstraite de l’environnement (obstacles, individus, etc.). Progressivement, elle a étendu son champ d’action à des cadres d’apprentissage, tels que la régression. Aujourd’hui, la RDF est devenue une discipline fondatrice du domaine de l’apprentissage automatique numérique aux côtés entre autres de l’algorithmique, la cryptographie, la logique, la physique statistique, les probabilités, les statistiques, la théorie de l'évolution.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleAuteur(s)
-
Thierry ARTIERES : Professeur d'informatique - Laboratoire d’informatique de Paris 6 (LIP6) - Université Pierre et Marie Curie (UPMC)
INTRODUCTION
Le but de la reconnaissance des formes est de concevoir des outils automatiques, informatiques, capables de reconnaître des formes, ou patterns en anglais (où l’on parle de pattern recognition). La reconnaissance des formes (RDF dans la suite) est un domaine qui a fortement évolué ces dernières décennies si bien que ses contours sont devenus aujourd'hui plus flous. Il n’est pas simple d’en trouver une définition dans laquelle tous les chercheurs en RDF se reconnaîtront.
Il s'agit d'une discipline ancienne, Bishop rapporte par ailleurs que c’est la collection systématique d’observations astronomiques par Tycho Braha au XVIe siècle qui a permis à Johann Kepler la découverte de lois empiriques sur le mouvement des planètes. On peut multiplier de tels exemples et remonter très loin dans notre passé.
Si l’on s’intéresse à l’histoire moderne de la RDF, disons depuis les années 1980, et à ses développements récents liés bien entendu au développement des machines informatiques, on constate qu’elle s’est tout d’abord attachée à l’automatisation de tâches perceptives. Une des applications phares du domaine fut la reconnaissance de l’écriture, qui reste un champ d’application et de recherche actif aujourd’hui. Au-delà, la vision, à travers la reconnaissance d’objets dans des images, mais également l’audition et la reconnaissance automatique de la parole sont des applications emblématiques et historiques de la reconnaissance des formes.
C’est une des raisons pour laquelle la reconnaissance des formes a longtemps été considérée comme une composante du domaine plus vaste, et également fortement pluridisciplinaire, de l’intelligence artificielle (IA), dont un but ultime pourrait être de produire des robots doués d’intelligence, capables non seulement d’apprendre et de raisonner mais également d’interagir y compris physiquement avec le monde extérieur, donc de se mouvoir, de reconnaître leurs interlocuteurs et les objets d’une pièce, de parler, d’entendre, de comprendre, raisonner, etc. Dans ce schéma, la RDF a eu initialement pour rôle de produire tous les algorithmes nécessaires à la perception abstraite de l’environnement (obstacles, individus, etc.) à partir de senseurs sur le monde extérieur.
Progressivement, la RDF s’est émancipée de la tutelle de l’IA. En s’intéressant à des formes ou des patterns quelconques elle a permis d’aborder d’autres tâches de classification et a été étendue à d’autres cadres d’apprentissage supervisés tels que la régression. Aujourd’hui la RDF est une discipline fondatrice du domaine de l’apprentissage automatique (machine learning en anglais), avec d’autres telles que l’algorithmique, la complexité, la cryptographie, la logique, l’optimisation, la physique statistique, les probabilités, les sciences cognitives, les statistiques, la théorie de l'évolution, etc.
L’histoire moderne de la reconnaissance des formes est donc mouvementée, il s’agit finalement d’une discipline jeune qui a déjà subi de multiples influences et cheminements et dont le spectre d’applications et de techniques a crû au sein de ce que l’on nomme aujourd’hui l’apprentissage automatique numérique. Cette présentation se veut une introduction au domaine et ne peut être considérée comme exhaustive. Elle vise essentiellement à introduire les problématiques fondamentales mises en jeu ainsi que les concepts essentiels à la compréhension des techniques. Le lecteur intéressé pourra avantageusement consulter des livres de référence tels que , , , .
DOI (Digital Object Identifier)
CET ARTICLE SE TROUVE ÉGALEMENT DANS :
Accueil > Ressources documentaires > Technologies de l'information > Technologies logicielles Architectures des systèmes > Intelligence artificielle > Reconnaissance des formes > Architecture et conception d’un système de RDF
Cet article fait partie de l’offre
Mathématiques
(167 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Présentation
2. Architecture et conception d’un système de RDF
2.1 Architecture d’un système de RDF
Un système de RDF est composé de plusieurs modules tels qu’illustré par la figure 2. Le premier module est un module d’acquisition des données. Cela peut être une caméra dans une tâche de vision, un microphone pour de la parole ou du son, etc. Le second module est un module de prétraitements et d’extraction des caractéristiques. Ce module a pour but, d’une part, de calibrer les données collectées de façon à en extraire une information la plus normalisée et la moins bruitée possible et, d’autre part, à en extraire des caractéristiques pertinentes, les moins volumineuses mais suffisamment riches pour permettre de réaliser la tâche visée efficacement. Le troisième module est un module de reconnaissance proprement dit.
Si les techniques de reconnaissance des formes concernent essentiellement ce troisième module c’est surtout parce que l’on ne sait pas vraiment comment intégrer les deux premiers dans des approches automatiques. Mais au final la performance d’un système de RDF dépend bien de la qualité de chacun de ses trois modules, ainsi que de leur adéquation. La qualité des données collectées la pertinence des caractéristiques extraites est fondamentale.
Il faut signaler qu’un certain nombre d’approches permettent en partie l’apprentissage automatique des modules d’extraction de caractéristiques et de classification de façon jointe. L’idée principale consiste à exploiter des méthodes de sélection de caractéristiques. On définit un nombre très important de caractéristiques (par exemple toutes celles que l’on peut imaginer et calculer) et on modifie l’algorithme d’apprentissage pour qu’il puisse au fur et à mesure ou bien sélectionner les caractéristiques les plus pertinentes, ou bien limiter l’importance de telle ou telle caractéristique jusqu’à ce qu’elle soit éventuellement totalement ignorée.
HAUT DE PAGE2.2 Acquisition, prétraitements et extraction de caractéristiques
L’acquisition des données et les prétraitements associés sont d’une importance capitale. Les données doivent être collectées et acquises avec le plus grand soin et tout bruit ou biais...
Cet article fait partie de l’offre
Mathématiques
(167 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Architecture et conception d’un système de RDF
BIBLIOGRAPHIE
-
(1) - BAKIR (G.H.), HOFMANN (T.), SCHOLKOPF (B.), SMOLA (A.J.), TASKAR (B.), VISHWANATHAN (S.V.N.) - Predicting Structured Data - Gökhan H. Bakir, Thomas Hofmann, Bernhard Schölkopf,Alexander J. Smola, Ben Taskar and S. V. N. Vishwanathan Eds, The MIT Press (2007).
-
(2) - BILMES (J.) - A Gentle Tutorial on the EM Algorithm Including Gaussian Mixturesand Baum-Welch - International computer science institute, ICSI Technical ReportTR-97-021, Université de Berkeley (May 1997).
-
(3) - BISHOP (C.) - Pattern Recognition and Machine Learning (Information Science andStatistics) - Springer (October 1, 2007).
-
(4) - BUNKE (H.), SANFELIU (A.) - Syntactic and strucral pattern recognition, theory and applications - H Bunke & A Sanfeliu eds., World Scientific Series in ComputerScience – Vol. 7 (1990).
-
(5) - DUDA (O.), HARDT (P.), STORK (G.) - Pattern Classification - Wiley-Interscience ; 2 edition (October 2000).
-
...
Cet article fait partie de l’offre
Mathématiques
(167 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive