HTR/OCR pour graphies non latines : approches et bonnes pratiques – Une conférence de Chahan Vidal-Gorène à voir ou revoir

Les 7, 8 et 9 décembre 2020, j’ai organisé une formation en ligne intitulée Étudier et publier les textes arabes avec le numérique dans le cadre des activités que je mène pour le GIS Moyen-Orient et mondes musulmans. La deuxième journée, le 8 décembre, s’intitulait « Constituer, déchiffrer et encoder des corpus arabes à l’heure du numérique ». Chahan Vidal-Gorène nous a fait part de son expérience et de celle de CALFA en matière d’océrisation et de traitement automatisé de documents dans des graphies non latines.

Chahan Vidal-Gorène

Chahan Vidal-Gorène prépare à l’Ecole nationale des chartes une thèse sous la direction de Marc Smith et Aram Mardirossian en paléographie intitulée ‘Questions de paléographie arménienne : l’évolution de l’écriture à travers l’étude des fragments’. Il a fondé en 2014 le projet CALFA, qui a remporté en 2019 le prix Télécoms Innovations. CALFA est une startup qui a développé une technologie permettant d’extraire des informations de scans de manuscrits anciens et d’archives manuscrites. Dans le cadre de son activité avec CALFA, il a mené et mène de nombreux projets, par exemple avec la Bibliothèque Nubar de l’UGAB ou avec la BULAC.

HTR/OCR pour graphies non latines: approches et bonnes pratiques

Au cours de cette présentation, Chahan Vidal-Gorène revient sur les enjeux de l’OCR/HTR pour les langues non-latines qui posent des problèmes spécifiques puis il présente la plateforme CALFA, développée dans un premier temps pour répondre à des objectifs spécifiques et qui s’est ouverte au fur et à mesure. Il explique comment l’utiliser et l’exploiter.

Voir ou revoir l’intervention de Chahan Vidal-Gorène:

Il présente d’abord CALFA, son domaine d’expertise et ses projets [1:30- 9 :27], puis il aborde quelques enjeux de l’OCR/HTR [à partir de 9:50]. Pour comprendre le fonctionnement général d’un OCR, il renvoie à la présentation de Jean-Baptiste Camps. À partir d’un schéma, il revient sur les principes de fonctionnement de l’OCR/HTR en présentant les différentes étapes.

À noter : Transcription, CER et mise en page : Chahan Vidal-Gorène rappelle qu’il faut distinguer des moteurs de reconnaissance de caractères qui font de la reconnaissance de caractères qui peut donner des résultats excellents, de moteurs permettant d’analyser la mise en page, les abréviations, la césure, les mots. La détection au niveau du mot plutôt qu’au niveau du caractères peut être plus pertinente et les approches hybrides sont donc à privilégier.

L’enjeu, aujourd’hui, n’est plus tellement la reconnaissance de caractères et Chahan Vidal-Gorène précise donc quels sont donc les limites et les besoins [30:00]. Avant de se lancer dans un projet d’OCR/HTR, il est indispensable de clairement définir les besoins. Il donne un certain nombre des besoins qu’il importe de préciser en amont.

Il existe beaucoup de plateformes d’annotation aujourd’hui et Chahan Vidal-Gorène présente dans le dernier temps de cette présentation la plateforme qu’ils ont développée dans le cadre de CALFA [à partir de 38:50].

Plate-forme d’annotation: les besoins

La plateforme de Calfa Vision


Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.