Prise en compte de la longueur des phrases

La figure 5.7 montre l’évolution du taux de reconnaissance sur les mots de la base d’ap-prentissage, en fonction des paramètresζetδ(le paramètreγest fixé à 1, comme suggéré dans [Man00]). 82,5 82 81,5 81 80,5 80 80 70 75 65 60 0 10 ₈ 6 ₄ 2 18 16 ₁₄ 12 82% 81%

taux reconnaissance mots (%)

ζ δ

FIG. 5.7 – Influence de la prise en compte de la longueur des phrases, dans le calcul des probabilités a posteriori des mots.

Nous constatons plus particulièrement l’impact du paramètre δ, qui permet de pondérer les sur- et sous-segmentations, en prenant en compte le nombre de mots dans les phrases. En effet, l’optimisation de ce dernier permet d’améliorer le taux de reconnaissance d’un peu plus de 1 %, comme nous l’avions déjà vu sur la base de test, dans la sous-section précédente. Les résultats obtenus sur la base d’apprentissage, avec les paramètres optimaux appris sur celle-ci, sont confirmés sur la base de test : cela montre les bonnes capacités de généralisation de l’optimisation sur la base d’apprentissage.

La prise en compte du nombre de mots dans les phrases permet de ne pas favoriser les mots appartenant à des phrases courtes. En effet, les scores des phrases courtes étant généralement plus élevés que ceux des phrases plus longues (comme le score d’une phrase est calculé à partir de celui des mots la constituant), les phrases courtes peuvent avoir une trop grande importance dans le calcul des probabilités a posteriori des mots (pour rappel, la probabilité a posteriori d’un mot est la somme des probabilités des phrases auxquelles il appartient). Ainsi, en péna-lisant les phrases courtes, cela permet d’obtenir une plus grande indépendance du score des phrases vis-à-vis du nombre de mots qu’elles comportent.

5.5 Bilan

Dans ce chapitre, nous avons présenté une nouvelle approche pour la reconnaissance de phrases. Cette approche est basée sur une représentation des phrases sous la forme d’un réseau mettant en évidence les confusions existantes entre les mots présents dans un graphe de mots initial. La reconnaissance s’appuie alors sur le calcul des probabilités a posteriori des mots, correspondant à la somme des probabilités des phrases auxquelles chacun des mots appartient. La phrase résultat, appelée aussi hypothèse consensus, est alors obtenue en minimisant le taux d’erreur sur les mots et non plus en minimisant le taux d’erreur sur les phrases, comme c’est le cas dans l’approche MAP classique.

Cette technique ayant été introduite pour la reconnaissance automatique de la parole, nous avons proposé des modifications pour l’adapter à notre tâche de reconnaissance de phrases manuscrites. Ces modifications ont concerné le calcul des probabilités des mots en étendant ce calcul afin de prendre en compte les confusions entre plusieurs segmentations possibles d’une même partie du signal manuscrit de la phrase. Le calcul des probabilités a posteriori proposé permet également de prendre en compte le nombre de mots dans les phrases considérées. Le choix de l’hypothèse consensus a lui aussi été étendu, pour s’adapter au nouveau calcul des probabilités a posteriori.

Les résultats obtenus en utilisant l’approche proposée sont inférieurs à ceux obtenus avec l’approche MAP. Cependant, les modifications apportées pour la prise en compte de la longueur des phrases, dans le calcul des probabilités a posteriori des mots, permettent d’améliorer les résultats par rapport à l’approche initiale basée sur les réseaux de confusion.

Il n’est pas très intéressant d’utiliser l’approche consensus pour effectuer la reconnaissance des phrases. Cependant, comme cette stratégie de reconnaissance de phrases s’appuie sur une approche différente de l’approche MAP, il peut être intéressant de l’utiliser pour détecter des risques de confusion ou pour affiner la reconnaissance réalisée avec l’approche MAP. C’est ce que nous présentons dans le chapitre suivant.

Détection et correction d’erreurs de

reconnaissance

6.1 Introduction

Malgré l’ajout de connaissances linguistiques pour améliorer la reconnaissance des phrases, les systèmes de reconnaissance ne sont pas parfaits et il reste des erreurs dans la phrase résultat, c’est-à-dire la phrase en sortie du système de reconnaissance. Il peut alors être intéressant de mesurer la confiance que l’on a en chacun des mots résultats, pour pouvoir identifier ceux sur lesquels il subsiste un doute. Cela permet alors de mettre ces mots en évidence, pour un utilisa-teur (pour faciliter sa tâche de relecture), ou encore d’essayer de corriger les erreurs potentielles détectées.

Dans ce chapitre, nous proposons une approche originale pour détecter les risques d’erreurs de reconnaissance, en s’appuyant sur les probabilités a posteriori des mots de la phrase résultat, obtenue par l’approche MAP. La figure 6.1 illustre cette approche.

corrigée phrase Reconnaissance de phrases des mots Extraction signal en−ligne graphe de mots classifieurs de correction de rejet phrase correction détection des erreurs des erreurs des erreurs Correction probabilités a posteriori des mots résultat

FIG. 6.1 – Principe de la détection et de la correction des erreurs de reconnaissance.

Une phase de correction permet ensuite de confirmer le résultat de la reconnaissance du mot considéré ou de remettre en cause sa reconnaissance, en lui préférant un autre mot. Pour

cela, des classifieurs dédiés à cette tâche sont utilisés. Enfin, nous ajoutons un mécanisme de

rejet, pour mesurer la confiance sur le classifieur de correction. Cela permet alors de rejeter

la reconnaissance des mots si la confiance en le résultat du classifieur de correction n’est pas assez élevée. Ainsi, nous n’essaierons pas de corriger les erreurs que les classifieurs dédiés ne peuvent pas corriger.

Dans ce chapitre, nous exposons notre approche permettant la détection et la correction d’erreurs de reconnaissance, en utilisant les probabilités a posteriori des mots comme indices de confiance.

Nous présentons tout d’abord un rapide état de l’art sur les mesures de confiance pouvant être utilisées sur les mots, dans la section 6.2. Puis, nous introduisons notre approche, dans la section 6.3, en nous focalisant notamment sur les étapes de détection et de correction des erreurs. Nous présentons finalement, dans la section 6.4, le mécanisme permettant de rejeter les erreurs potentielles que nous ne pourrons pas corriger, avant de détailler, dans la section 6.5, les résultats obtenus sur les expérimentations menées pour valider l’approche proposée.