Reconnaissance des Caractères Manuscrits basée sur l’Apprentissage Automatique

Abstract

Ce travail vise à évaluer les performances de plusieurs architectures de réseaux de neurones convolutifs (CNN) appliquées à la reconnaissance de chiffres manuscrits, un sousensemble de la reconnaissance de caractères manuscrits. Quatre modèles ont été étudiés : un CNN de base, LeNet-5, Mini-Xception et ResNet-18. Ces modèles ont été entraînés sur le jeu de données MNIST, puis testés à la fois sur un ensemble de validation et sur des images manuscrites réelles, afin d’évaluer leur capacité de généralisation. L’analyse repose sur plusieurs métriques d’évaluation : la précision, la sensibilité, le score F1 (qui reflète l’équilibre entre la précision et la sensibilité), ainsi que la matrice de confusion permettant une analyse fine des erreurs de classification. Les résultats obtenus montrent que les quatre architectures atteignent des performances très élevées sur l’ensemble des métriques, avec des scores de l’ordre de 99% . Par ailleurs, les tests réalisés sur des chiffres manuscrits réels confirment la supériorité des modèles ResNet-18 et LeNet-5, qui n’ont commis aucune erreur de classification dans ce contexte. À l’issue de cette comparaison, LeNet-5 a été retenu comme le modèle le plus adapté pour ce jeu de données, combinant robustesse, simplicité, fiabilité et rapidité d’exécution=============================================================================== The aim of this work is to evaluate the performance of several convolutional neural network (CNN) architectures applied to handwritten digit recognition, a subset of handwritten character recognition. Four models were studied : a basic CNN, LeNet-5, Mini-Xception and ResNet-18. These models were trained on the MNIST dataset, then tested both on a validation set and on real handwritten images, in order to assess their ability to generalize. The analysis is based on several evaluation metrics : accuracy, sensitivity, F1 score (which reflects the balance between accuracy and sensitivity), as well as the confusion matrix for fine-grained analysis of classification errors. The results show that all four architectures achieve very high performance on all metrics, with scores of around 99%. Furthermore, tests carried out on real handwritten ciphers confirmed the superiority of the ResNet-18 and LeNet-5 models, which made no classification errors in this context. As a result of this comparison, LeNet-5 was selected as the most suitable model for this dataset, combining robustness, simplicity, reliability and speed of execution.