Thèse présentée devant IFSIC
Thesis submitted to IFSIC

Nicolas Ragot - 28 octobre 2003
MÉLIDIS: Reconnaissance de formes par modélisation mixte
intrinsèque/discriminante à base de systèmes d'inférence floue
hiérarchisés
http://www.irisa.fr/bibli/publi/theses/2003/ragot/ragot.html

Résumé
Pour faciliter la mise au point de systèmes de reconnaissance de formes,
nous proposons une méthodologie de classification visant à réunir un
ensemble de propriétés rarement satisfaites dans une même approche :
performances, généricité, fiabilité, robustesse, compacité et
interprétabilité. Ce dernier point permet au concepteur d'adapter, de
maintenir et d'optimiser le système plus facilement. L'approche
proposée, centrée sur la notion de connaissances dans un classifieur,
est entièrement guidée par les données. L'originalité réside notamment
dans l'exploitation conjointe de connaissances intrinsèques et
discriminantes extraites automatiquement et organisées sur deux niveaux
pour bénéficier au mieux de leur complémentarité : le premier modélise
les classes par des prototypes flous et le second effectue une
discrimination des formes similaires par des arbres de décision flous.
L'ensemble est formalisé par des systèmes d'inférence floue qui sont
combinés pour la classification. Cette approche a conduit à la
réalisation du système Mélidis qui a été validé sur plusieurs benchmarks
dont des problèmes de reconnaissance de caractères manuscrits en ligne.

Mots clefs: Reconnaissance de formes, logique floue, systèmes
d'inférence floue, classification non supervisée, arbres de décision
flous, combinaison de classifieurs, reconnaissance de formes manuscrites

Abstract
To facilitate the integration of pattern recognition systems in real
applications, we present a new approach which aim is to combine
properties that are rarely fully satisfied in the same recognition
system. These properties are: performances, generic architecture and
learning, reliability, robustness, compactness and transparency. This
last point is particularly important to make the system easier to adapt,
maintain and optimize for a given application. Our approach is totally
data driven and focuses on knowledge properties in a classifier. The
main originality comes from the cooperation of intrinsic and
discriminant knowledge that are extracted and modelized automatically.
They are organized in two levels: the first one models classes with
fuzzy prototypes and the second one operates discrimination on shapes
that have similar intrinsic properties using fuzzy decision trees. The
system is entirely formalized by fuzzy inference systems that are
combined for final classification. This approach led up to the
implementation of the Mélidis system that has been evaluated on several
benchmarks including handwritten character recognition.

Keywords: Pattern recognition, fuzzy logic, fuzzy inference systems,
unsupervised learning, fuzzy decision trees, classifier combination,
handwritten character recognition