Search

International audience

International audience; Dans cet article nous présentons un outil de génération de formules mathématiques manuscrites en ligne à partir d'une chaîne LATEX. Ce générateur permettra facilement de fabriquer à partir d'un corpus de référence d'expressions mathématiques une base de données qui sera annotée automatiquement au niveau symbole. Ainsi, à partir d'une base de symboles isolés, nous pouvons produire de façon pseudo-synthétique une formule mathématique quelconque par un placement et un dimensionnement stochastiques 2D de ces éléments. Nous montrons l'intérêt de cet outil dans le cadre d'un projet visant à la conception d'une méthode adaptée à la reconnaissance et à l'interprétation d'expressions mathématiques en-ligne.

On-line handwriting includes more information on time order of the writing signal and on the dynamics of the writing process than off-line handwriting. Therefore, on-line recognition systems achieve higher recognition rates. This can be concluded from results reported in the literature, and has been demonstrated empirically as part of this work. We propose a new approach for recovering the time order of the off-line handwriting signal. Starting from an over-segmentation of the off-line handwriting into regular and singular parts, the time ordering of these parts and recognition of the word are performed simultaneously. This approach, termed ``OrdRec\\\'\\\', is based on a graph description of the handwriting signal and a recognition process using Hidden Markov Models (HMM). A complete omni-scriptor isolated word recognition system has been developed. Using a dynamic lexicon and models for upper and lower case characters, our system can process binary and gray value word images of any writing style (script, cursive or mixed). Using a dual handwriting data base which features both the on-line and the off-line signal for each of the 30000 words written by about 700 scriptors, we have shown experimentally that such an off-line recognition system, using the recovered time order information, can achieve recognition performances close to those of an on-line recognition system.

International audience; Using shape matching within a k–nearest neighbor approach, shape context descriptor has been applied in several classification problems with outstanding results. However , the application of this frame work on large datasets or online scenarios is challenging due to its computational cost. To over come this limitations, we evaluate the use of shape context as input features for neural networks. We test the proposed method in a problem of recognition of handwritten mathematical symbols. For a total of 75 classes of symbols, we obtained a recognition rate of 89.8%, comparable with a k–nearest neighbor approach, but with reduced time complexity.; Les descripteurs de contexte de formes ont été utilisés comme caractéristiques dans les classifieurs k–plus proc hes voisins avec des résultats remarquables. Néanmoins, l’utilisation de cette approche sur de grosses bases de symboles ou dans des contextes applicatifs à la volée reste difficile à cause de sa complexité calculatoire . Pour dépasser ces limitations, nous proposons l’utilisation des descripteurs de contexte de formes avec des réseaux de neurones au lieu de l’approche k–ppv. Nous évaluons la méthode proposée dans un problème de reconnaissances de symboles mathématiques en–ligne. Pour un total de 75 classes de symboles, un taux de reconnaissance est de 89,8% est obtenu, ce qui est comparable aux résultats de l’approche initiale mais avec une complexité nettement diminuée.