Search

The mission of hydrographic services are to know and describe the physical marine environment in its interactions with the atmosphere, the seabed and coastal areas, to forecast its evolution and to ensure the dissemination of the corresponding informations. Within the framework of these missions, of which the safety of navigation is the key mission, they carry out campaigns at sea in order to acquire the maximum of bathymetric and oceanographic informations on a precise zone. In this manuscript, we propose different methods to facilitate the daily work of operators, by studying different levels of scales: micro, meso and macro. The micro level focuses on the data, and thus for our case the bathymetric soundings, in order to extract the maximum added value possible. The meso level will build from this bathymetric data the right information to detect outliers data via machine learning methods in bathymetric data. Finally, the macro level concentrates in the qualification of the survey in its entirety while taking into account the preferences of the end user via multiple-criteria decision analysis method., Les services hydrographiques ont pour pour mission de connaître et décrire l’environnement physique marin dans ses relations avec l’atmosphère, les fonds marins et les zones littorales, d’en prévoir l’évolution et d’assurer la diffusion des informations correspondantes. Dans le cadre de ces missions, dont la sécurité de la navigation est la mission fondamentale, ils réalisent des campagnes à la mer afin d’acquérir le maximum d’informations bathymétriques et océanographiques sur une zone précise. Dans ce manuscrit, nous proposons différentes méthodes visant à faciliter le travail quotidien des opérateurs en considérant différents niveaux d'échelles: micro, meso et macro. Le niveau micro touche à la donnée et donc dans notre cas à la sonde bathymétrique afin d'en extraire le maximum de valeur ajoutée possible. Le niveau meso construit à partir de cette donnée bathymétrique les bonnes informations permettant de détecter des données aberrantes via des méthodes d'apprentissage machine dans les lots de données bathymétriques. Enfin, le niveau macro s'attache à la qualification du levé dans son intégralité tout en prenant en compte les préférences de l'utilisateur final via des méthodes d'aide à la décision multicritère.

Combining character level and word level RNNs for post-OCR error detection Post-OCR processing, consist in detecting errors first, then correcting them when possible. In this context the ICDAR-2017 Competition on Post-OCR Text Correction was organized to compare approaches on these two tasks. This paper presents an OCR error detection system based on a 2-pass RNN model combining character level and word level representations. This system was ranked 2nd on three datasets among 11 participants at the ICDAR-2017 Competition., Le traitement à posteriori de transcriptions OCR cherche à détecter les erreurs dans les sorties d'OCR pour tenter de les corriger, deux tâches évaluées par la compétition ICDAR-2017 Post-OCR Text Correction. Nous présenterons dans ce papier un système de détection d'erreurs basé sur un modèle à réseaux récurrents combinant une analyse du texte au niveau des mots et des caractères en deux temps. Ce système a été classé second dans trois catégories évaluées parmi 11 candidats lors de la compétition.MOTS-CLÉS : OCR, detection d'erreurs, réseaux de neurones récurrents.