Classification du texte numérique et numérisé. Approche fondée sur les algorithmes d'apprentissage automatique - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2017

Text and Image based classification of documents using machine and representation learning

Classification du texte numérique et numérisé. Approche fondée sur les algorithmes d'apprentissage automatique

Résumé

Different disciplines in the humanities, such as philology or palaeography, face complex and time-consuming tasks whenever it comes to examining the data sources. The introduction of computational approaches in humanities makes it possible to address issues such as semantic analysis and systematic archiving. The conceptual models developed are based on algorithms that are later hard coded in order to automate these tedious tasks. In the first part of the thesis we propose a novel method to build a semantic space based on topics modeling. In the second part and in order to classify historical documents according to their script. We propose a novel representation learning method based on stacking convolutional auto-encoder. The goal is to automatically learn plot representations of the script or the written language.
Différentes disciplines des sciences humaines telles la philologie ou la paléographie font face à des tâches complexes et fastidieuses pour l'examen des sources de données. La proposition d'approches computationnelles en humanités permet d'adresser les problématiques rencontrées telles que la lecture, l'analyse et l'archivage de façon systématique. Les modèles conceptuels élaborés reposent sur des algorithmes et ces derniers donnent lieu à des implémentations informatiques qui automatisent ces tâches fastidieuses. La première partie de la thèse vise, d'une part, à établir la structuration thématique d'un corpus, en construisant des espaces sémantiques de grande dimension. D'autre part, elle vise au suivi dynamique des thématiques qui constitue un réel défi scientifique, notamment en raison du passage à l'échelle. La seconde partie de la thèse traite de manière holistique la page d'un document numérisé sans aucune intervention préalable. Le but est d'apprendre automatiquement des représentations du trait de l'écriture ou du tracé d'un certain script par rapport au tracé d'un autre script. Il faut dans ce cadre tenir compte de l'environnement où se trouve le tracé : image, artefact, bruits dus à la détérioration de la qualité du papier, etc. Notre approche propose un empilement de réseaux de neurones auto-encodeurs afin de fournir une représentation alternative des données reçues en entrée.
Fichier principal
Vignette du fichier
these_archivage_3369373o.pdf (8.23 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)
Loading...

Dates et versions

tel-01613499 , version 1 (09-10-2017)

Identifiants

  • HAL Id : tel-01613499 , version 1

Citer

Karim Sayadi. Classification du texte numérique et numérisé. Approche fondée sur les algorithmes d'apprentissage automatique. Algorithme et structure de données [cs.DS]. Université Pierre et Marie Curie - Paris VI, 2017. Français. ⟨NNT : 2017PA066079⟩. ⟨tel-01613499⟩
8713 Consultations
2324 Téléchargements

Partager

Gmail Facebook X LinkedIn More