CSI Seminar 2015-01-28
From LRDE
OLENA
10h30 Amélioration de la base d'entraînement d'un classifieur k-NN d'OCR – ANTHONY SEURE
Une des parties d'une chaîne de reconnaissance de caractères est la classification des caractères à proprement parler : ils peuvent être en majuscules, minuscules ou bien être des chiffres. Dans notre cas, notre OCR calcule un descripteur à base d'ondelettes pour chacune des images de caractère. Ce sont ces descripteurs que nous classifions. L'étape de classification est actuellement basée sur un algorithme des k plus proches voisins (k-NN) multi-classe. Sachant que l'étape d'évaluation dépend fortement de la taille de la base d'entraînement, cette dernière peut être modifiée afin d'améliorer les scores. Notre travail se concentre sur ces possibles améliorations de la base d'entraînement.
SPEAKER ID
10h50 Compensation d'i-vecteur spécifique aux locuteurs dans la reconnaissance du locuteur – JEAN-LUC BOUNTHONG
Les i-vecteurs représentent actuellement l'état de l'art dans le domaine de la vérification du locuteur. Des résultats intéressants sont obtenus à partir de classifieur tel que la Distance Cosinus (CD). Cependant, le classifieur travaille sur des i-vecteurs après une compensation globale du canal. Dans cette étude, nous explorerons la possibilité de définir une compensation de canal spécifique à chaque locuteur. L'objectif est d'améliorer les performances du classifieur en se basant sur nos derniers travaux sur les cartes auto-organisatrice de Kohonen pour la sélection des i-vecteurs adaptés. Nous allons aussi comparer l'efficacité de notre méthode avec la méthode de compensation de canal globale.
11h10 Compensation locale du canal dans les systèmes de reconnaissance du locuteur – JIMMY YEH
A l'heure actuelle, l'espace des i-vecteurs est devenu l’état de l’art pour les systèmes de reconnaissance du locuteur. La distance cosinus (CD) est la méthode de décision la plus utilisée. Elle utilise l'analyse discriminante linéaire (LDA) et la Within-Class Covariance Normalization (WCCN) afin de compenser globalement le canal. Le but de ce travail est de compenser localement le canal avant d'appliquer la CD. L'idée est de créer un graphe des i-vecteurs partitionné à l'aide d'algorithmes de détection de communautés, puis de projeter les segments test et target dans ce dernier. On sélectionne uniquement leur voisinage pour entrainer la LDA et la WCCN. Les résultats seront comparés avec la méthode de compensation globale.