dc.contributor.author |
Redjradj, Amine |
|
dc.contributor.author |
Oulebsir, Melisa |
|
dc.contributor.author |
Gagaoua, M. ; promoteur |
|
dc.date.accessioned |
2022-01-03T13:36:21Z |
|
dc.date.available |
2022-01-03T13:36:21Z |
|
dc.date.issued |
2021 |
|
dc.identifier.uri |
http://hdl.handle.net/123456789/17656 |
|
dc.description |
Option : Réseaux et Télécommunication |
en_US |
dc.description.abstract |
Dans notre travail, nous utilisons le deep learning, plus précisément, les réseaux de neurones
convoltionnel (CNN) pour la reconnaissance des caractères manuscrits arabes et chiffres, qui
sont des réseaux neuronaux multicouches spécifiquement conçus pour les tâches de
reconnaissance de formes. Un avantage majeur des réseaux convolutifs est l'utilisation de
poids uniques associés aux signaux de tous les neurones entrant dans un seul noyau
convolutif. Cette approche réduit l'empreinte mémoire, améliore les performances et permet
l'invariance de la traduction dans le traitement par rapport à d'autres algorithmes de
classification d'images, les réseaux de neurones convolutifs utilisent relativement peu de
prétraitement. Ce projet consiste à utiliser et créer un classificateur de caractères avec trois
modèles de réseaux neurones convolutionnels différents et à évaluer le meilleur d'entre eux en
modifiant des hyper paramètres.
Les résultats obtenus ont montré que le choix du nombre d'époque, la taille de la base de
données ainsi que la profondeur du réseau ont une grande influence pour avoir de meilleurs
résultats. |
en_US |
dc.language.iso |
fr |
en_US |
dc.publisher |
Université Abderrahmane Mira- Bejaia |
en_US |
dc.subject |
Deep learning : Réseaux de neurones convoltionnel :Caractères manuscrits : CNN |
en_US |
dc.title |
Deep Learning pour La Reconnaissance des caractères manuscrits. |
en_US |
dc.type |
Thesis |
en_US |