Champs Aléatoires Conditionnels et fonctions de caractéristique à quantification multi-échelle Application à l'extraction de structures dans des journaux d'archive
Résumé
Nous présentons ici le formalisme de fonctions de caractéristiques quantifiées pour transformer des données continues ou discrètes à valeurs dans de grands intervalles, en données compatibles avec la représentation symbolique utilisée par les champs aléatoires conditionnels (CAC). Nous montrons qu'une conversion simple des données permet au CAC de sélectionner automatiquement les caractéristiques discriminantes qui permettent d'obtenir de meilleures performances. Ce système est évalué sur une tâche de segmentation d'images dégradées de journaux d'archives. Les résultats obtenus montrent la capacité du modèle CAC à travailler avec des données numériques de manière similaire à l'utilisation d'une représentation symbolique, grâce à l'utilisation des fonctions de caractéristiques quantifiées. La tâche de segmentation est réalisée par la définition d'un modèle CAC horizontal dédié à l'étiquetage de pixels
Origine : Fichiers produits par l'(les) auteur(s)
Loading...