Résumé

Les descripteurs de contexte de formes ont été utilisés comme caractéristiques dans les classifieurs kuplus proches 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 pro- posons l’utilisation des descripteurs de contexte de formes avec des réseaux de neurones au lieu de l’approche kuppv. Nous évaluons la méthode proposée dans un problème de reconnais- sances de symboles mathématiques enuligne. 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.

Abstract

Using shape matching within a kunearest neighbor approach, shape context descrip- tor has been applied in several classification problems with outstanding results. However, the application of this framework on large datasets or online scenarios is challenging due to its computational cost. To overcome this limitations, we evaluate the use of shape context as in- put 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 recog- nition rate of 89 .8%, comparable with a kunearest neighbor approach, but with reduced time complexity.