Digital resources in the Social Sciences and Humanities OpenEdition Our platforms OpenEdition Books OpenEdition Journals Hypotheses Calenda Libraries OpenEdition Freemium Follow us

Glossaire ATR (français)

A

Analyse de mise en page

Dans le contexte de documents numériques, l’analyse de mise en page est un processus qui implique l’identification et la segmentation de divers composants dans un document. Ces composants peuvent être du texte, des images ou des éléments structurels.

Apprentissage machine

L’apprentissage machine fait partie de l’intelligence artificielle et permet à des systèmes d’apprendre par expérience et de s’améliorer sans instructions explicites incluses dans leur programmation. L’apprentissage machine utilise des algorithmes capables d’analyser la donnée et de faire des prédictions ou de prendre des décisions basées sur des motifs ou des tendances repérées auparavant.

Assurance Qualité

L’assurance qualité en ATR désigne l’évaluation systématique et la validation de la sortie de texte reconnu. Cela assure la précision et la fiabilité de la sortie texte et garantit sa qualité pour des utilisations futures.

Automatic Text Recognition (ATR), reconnaissance automatique de texte

ATR, pour Automatic Text Recognition, fait référence au processus d’acquisition automatique, généralement avec des technologies d’apprentissage machine, de données textuelles numériques depuis un document analogue numérisé.

B

Baseline

Une baseline définit une ligne virtuelle, passant par au moins deux points, sur laquelle du texte est écrit. Cela sert de base à la reconnaissance de texte (voir aussi topline).

Bounding box

Une bounding box est généralement un rectangle entourant une région ou une ligne de texte, au sein d’une image, et définissant son étendue spatiale.

C

Character Error Rate (CER), ou taux d’erreur par caractère

Le CER est un score pour évaluer la précision d’identification dans une transcription automatique au niveau du caractère. Par exemple, un CER de 5% signifie que la transcription automatique a correctement transcris 95 caractères sur 100.

Citabilité (tel que défini par le Cultural Heritage Data Reuse Charter de DARIAH)

Les données patrimoniales, de même que toute recherche adossée à ces données, doivent être citables, en appliquant les standards de citation de données pertinents, de manière à augmenter leur visibilité et leur impact.

Convolutional Neural Network (CNN)

Les CNN sont des modèles d’apprentissage profond utilisés pour traiter et analyser des données virtuelles. Ils exploitent des filtres et des couches pour reconnaître les motifs et les caractéristiques dans des images.

Corpus

Un corpus est une collection (structurée) de textes et de données. Les corpus (ou corpora) sont généralement utilisés pour des analyses linguistiques car ils contiennent des documents ou sources variées destinées à de la recherche.

Correction manuelle

Les corrections manuelles sont un processus de correction durant lequel la donnée, ou, dans le cas de l’ATR, des documents et/ou texte sont corrigés manuellement pour éliminer les erreurs.

Correction post-ATR

La correction post-ATR (correction post-reconnaissance automatique de texte) est le processus de correction automatique ou manuelle de la prédiction produite par l’ATR.

Correction semi-automatique

La correction semi-automatique mélange la correction automatique par ordinateur et la correction opérée à la main par une personne.

D

Deskewing

Le deskewing redresse ou aligne des images numériques biaisées. Cette opération peut être utile pour des images scannées car elles apparaissent ensuite bien plus alignées.

Dewarping

Le dewarping corrige les distorsions et/ou déviations d’images numériques; il est utilisé principalement pour des documents ou des photographies. Le dewarping aide à restaurer les formes ou perspectives originales des images.

Droits d’auteur

Les droits d’auteur définissent la protection légale donnée aux autrices et auteurs d’œuvres originales en termes de droits exclusifs de reproduction, de distribution et d’affichage de leur création, empêchant également son usage par d’autres entités non autorisées.

E

Entraînement

L’entraînement est le processus d’apprentissage d’un outil ATR pour produire un modèle.

Entrée (de données)

Les entrées (de données) sont des fichiers ou des paramètres qui sont introduits dans un ordinateur.

Espace de couleur

Un espace de couleur est une organisation spécifique de couleurs qui fournit un moyen de quantifier et de représenter les couleurs, tels que le RGB (rouge, vert (green), bleu) ou le système de niveaux de gris.

Extensible Markup Language (XML)

Le XML est un langage standard utilisé pour le balisage de document. De par ses qualités, il permet de bien conserver et partager des données.

F

FAIR (principes)

Les principes FAIR sont les critères de qualité développés dans le contexte de la gestion des données. Ils stipulent et opérationnalisent l’importance de rendre les données Faciles à trouver, Accessibles, Interopérables et Réutilisables.

Fiabilité (tel que défini par la Cultural Heritage Data Reuse Charter de DARIAH)

L’origine des données patrimoniales et de toute recherche adossée à ces données doit être claire, mise à jour, ouvertement disponible, et donc fiable.

Format de fichier

Les formats de fichier standardisent la structure de l’information encodée et conservée dans les fichiers informatiques. Le format permet l’organisation de la donnée, ainsi que la compatibilité, l’accessibilité et l’interprétation par des logiciels spécifiques.

Format de sortie

Les formats de sorties sont le type de fichiers finaux utilisés pour présenter et partager la donnée après l’avoir traitée en suivant une méthode telle que l’ATR par exemple. Voir aussi : Format de fichier.

H

Handwritten Text Recognition (HTR), ou reconnaissance de texte manuscrit

L’HTR est un processus de reconnaissance et d’extraction de texte manuscrit depuis des images scannées d’écriture, en utilisant un système informatique.

hOCR

hOCR est un standart HTML ouvert utilisé pour les sorties ATR.

Hypertext Markup Language (HTML)

Le HTML est un langage de balisage qui permet d’afficher le contenu et la structure de documents dans des navigateurs Internet.

I

Intelligence Artificielle (IA)

L’IA est un terme utilisé pour désigner des systèmes informatiques pouvant réaliser des tâches imitant l’intelligence humaine. Cela comprend également des procédures d’apprentissage et de raisonnement, ainsi que des procédures complexes pour prendre des décisions et régler des problèmes.

International Image Interoperability Framework (IIIF)

Le IIIF est un standard utilisé pour le partage d’images et des métadonnées qui leur sont associées. Il garantit leur interopérabilité, les rendant disponibles indépendamment de la plateforme de consultation.

Interopérabilité (tel que défini par le Cultural Heritage Data Reuse Charter de DARIAH)

Il importe de donner accès aux données patrimoniales dans un format qui facilite leur réutilisation par la recherche. Les formats choisis doivent être interopérables pour les chercheuses et chercheurs et les institutions patrimoniales.

J

JPEG

Le JPEG (Joint Photographic Experts Group) est une méthode de compression souvent utilisée pour des images numériques, en particulier celles qui sont produites à partir de photographies numériques. Bien qu’il implique une certaine perte d’information, ce format est bien adapté à la reconnaissance automatique de texte.

JPEG2000

Le JPEG 2000 (JP2) est un standard de compression d’image et un système d’encodage. Etant complexe, il produit des formats de fichier assez lourds. Ce format convient pour conserver des images car il n’y a pas de perte d’information.

L

Langage de balisage

Les langages de balisage sont des standards utilisés pour intégrer des annotations dans des documents. Ils ajoutent une structure lisible par la machine et des informations concernant le formatage, sous forme de métadonnées, ce qui en permet l’interprétation par des logiciels ou des navigateurs.

M

Maintenance (tel que défini par la Cultural Heritage Data Reuse Charter de DARIAH)

La maintenance des données patrimoniales inclut leur préservation à long terme, la garantie de leur persistence, leur accessibilité et leur lisiblité.

Mécanisme d’auto-attention

L’auto-attention désigne le mécanisme de mise en relation de différentes positions d’une même séquence pour en calculer une représentation. Il est utilisé par les modèles de transformateurs pour pouvoir traiter des données séquentielles.

Méthodes basées sur des règles

Les méthodes basées sur des règles sont utilisés en intelligence artificielles pour prendre des décisions ou effectuer des tâches basées sur des règles logiques prédéfinies.

Modèle

Un modèle, dans le contexte de l’ATR, est un fichier créé à la suite d’un processus d’entraînement. Il contient les paramètres utilisés pour produire une transcription depuis une image.

Modèle de détection d’objets

Les modèles de détection d’objets, dans le cadre d’algorithmes de vision par ordinateur, identifient et localisent un ou plusieurs objets dans une image ou une vidéo numérique. Les modèles de détection d’objets peuvent localiser les limites des objets et les regrouper dans des classes ou des catégories prédéfinies.

Modèle de segmentation

Un modèle de segmentation est un modèle entraîné pour l’analyse de structure (voir Modèle et Segmentation).

N

Numérisation

La numérisation décrit le processus de conversion d’une information analogue, que ce soit du texte, des images ou du son, dans un format numérique. Le format numérique peut être conservé et traité par des ordinateurs.

O

Ontologie

Une ontologie fait référence à une représentation structurée d’un domaine de connaissances. Dans le domaine de l’ATR, une ontologie fait également référence au vocabulaire contrôlé qui décrit la structure d’un document textuel.

Optical Character Recognition, ou reconnaissance optique de caractères

L’OCR est la conversion d’images d’un texte imprimé en un texte lisible par la machine. De nos jours, la plupart des systèmes s’appuient sur des réseaux de neurones, similairement aux techniques de l’HTR (voir HTR).

Optimisation d’image

Le terme optimisation d’image désigne le processus qui consiste à réduire la taille d’un fichier image tout en préservant sa qualité visuelle.

Ouverture (tel que défini par la Cultural Heritage Data Reuse Charter de DARIAH)

Les données patrimoniales doivent être partagées sous une licence aussi ouverte que possible, en prenant en compte les droits d’auteur existants et les restrictions liées aux législations nationales et aux questions de confidentialité.

P

Pixel

Un pixel est une unité de base dans les graphiques numériques; il désigne la plus petite unité qui peut être affichée et représentée dans un dispositif d’affichage numérique.

Point Par Pouce (PPP)

Le PPP désigne une unité de mesure. Les mesures PPP quantifient la résolution d’images ou de documents imprimés, en indiquant le nombre de points horizontaux et verticaux dans une ligne d’un pouce. On peut ainsi rendre compte du niveau de détail dans une image numérique ou de la qualité d’un document imprimé.

Portable Document Format (PDF)

Le PDF est un format de fichier utilisé pour saisir des documents électroniques.

Précision

La précision est un critère utilisé pour mesurer la performance d’un modèle de reconnaissance automatique de texte.

Prédiction

Acte d’utilisation d’un modèle pour générer (ou prédire) la reconnaissance de la structure d’une image ou de son texte, en utilisant une image et un modèle de segmentation ou de transcription.

Prétraitement

Pour des documents numériques, le prétraitement implique diverses étapes de procédures généralement automatiques. la procédure dépend du type de données qui ont besoin d’être prétraitées. Les étapes suivantes sont généralement inclues : nettoyage, normalisation, correction de la structure et ajustements de formatage. L’objectif de cette méthode est d’améliorer la qualité de la donnée sur laquelle on travaille.

R

Recadrage

Le recadrage est utilisé en édition et désigne la suppression de parties non désirées dans l’image.

Réciprocité (tel que défini par la Cultural Heritage Data Reuse Charter de DARIAH)

Par réciprocité, on entend la manière dont institutions patrimoniale et chercheuses et chercheurs s’accordent pour partager le contenu et la connaissance produite de manière égale entre eux, en s’appuyant sur des centres de données et des infrastructures de recherche.

Réseaux de neurones

Un réseau de neurones est un type de modèle d’apprentissage profond dont la composition se fait autour de petites unités et qui est typiquement conçu pour transformer un jeu de valeurs numériques d’entrée en un jeu de valeurs numériques de sortie. Chaque unité a un ou plusieurs paramètres qui peuvent être modifiés durant l’entraînement du modèle. Combinés, les paramètres du modèle forment une mémoire spécifique qui peut représenter les caractéristiques des données d’entraînement dans le but d’améliorer le résultat souhaité sur de nouvelles données après l’entraînement.

Résolution

La résolution est la mesure du nombre de pixels qui peuvent être contenu dans un écran d’affichage ou dans un capteur de caméra.

S

Scanning

Scanner est la procédure qui transforme des documents physiques, analogues, comme des livres ou des journaux, en un fichier numérique.

Science Ouverte

Le mouvement de la science ouverte promeut l’accessibilité, la transparence et la collaboration dans tous les domaines de la recherche scientifique. Son objectif est de faciliter l’accès à la connaissance scientifique, aux données, aux méthodes et aux publications pour en favoriser la réutilisation, notamment par d’autres chercheuses et chercheurs.

Segmentation

La segmentation est le processus qui consiste à diviser une image en des régions ou des segments distincts. On l’utilise pour faciliter l’analyse et identifier et tracer des objets ou des zones d’intérêt dans une image. Dans le cas de l’ATR, la segmentation eut être appliquée aux zones ou aux lignes d’un document textuel.

Sortie

Les sorties (de données) sont des fichiers ou des paramètres obtenus à la fin du processus de traitement exécuté par l’ordinateur, tel qu’un fichier TEI obtenu à partir du traitement d’une image.

T

Taxonomie

Une taxonomie permet de catégoriser notamment les données en utilisant un système de classification hiérarchique. La donnée ou l’information peuvent être structurées en groupes et sous-groupes en fonction de leurs caractéristiques.

Téléchargement

Le téléchargement est un processus qui consiste à copier de la donnée d’un système informatique à un autre, généralement par le biais du web.

Téléversement

Le téléversement fait référence au processus de copier des données en transférant des données externes sur votre propre ordinateur.

TIFF

L’abbréviation désigne l’expression Tag(ged) Image File Format. C’est un format de fichier d’image utilisé pour conserver des trames d’images graphiques, plébiscité par les artistes graphiques, les éditeurs et les photographes. Assez volumineux et plutôt complexe, il est adapté pour conserver des images car il ne présente pas de perte d’information.

Topline

Une topline définit une ligne virtuelle, passant par au moins deux points, sur laquelle du texte est écrit. Cela sert de base à la reconnaissance de texte (voir aussi baseline, sachant que les baselines sont plus communes que les toplines dans les systèmes actuels d’ATR).

Transformateurs

Les transformateurs sont des modèles d’apprentissage profond utilisés en intelligence artificielle. Les modèles de transformateurs utilisent un mécanisme appelés “auto-attention” pour permettre de traiter des données séquentielles. Leurs performances sont exceptionnelles dans des tâches telles que le traitement automatique des langues et la traduction automatique, grâce à leur capacité à détecter les relations complexes dans les séquences d’entrée.

V

Vérités de terrain

La vérité de terrain est une information que l’on sait vraie. Dans le contexte de l’ATR, le terme fait référence à la transcription manuelle ou vérifiée d’un texte. La vérité de terrain sert de donnée d’entraînement.

Vision par ordinateur

La vision par ordinateur est une partie du domaine de l’IA dans laquelle des ordinateurs procèdent à l’interprétation et à la compréhension d’informations visuelles dans des images ou des vidéos.

Vocabulaire contrôlé

Un vocabulaire contrôlé définit l’information contenue dans un domaine spécifique avec une collection restreinte de termes et de phrases. L’utilisation d’un vocabulaire contrôlé peut simplifier le maintien de l’uniformité et de la précision d’informations indexées dans un document, et également permettre de faciliter l’organisation et la récupération de l’information par la machine.

W

Word Error Rate (WER), ou taux d’erreur par mot

Le Word Error Rate est une valeur calculée pour évaluer la précision avec laquelle des mots sont identifiés dans une transcription automatique. Par exemple, un WER de 5% signifie que la transcription automatique a correctement transcrit 95 mots sur 100.

X

XML Analysed Layout and Text Object (ALTO)

ALTO est un standard XML qui permet de rendre compte de la structure physique et logique d’un texte transcrit par OCR ou HTR. Il conserve toutes les coordonées géographiques du contenu (texte, illustrations, graphiques) dans l’image et permet à l’image et au texte d’être superposés.

XML Page Analysis and Ground Truth Elements (PAGE)

PAGE est un standard XML qui permet d’encoder des documents numérisés. Comparable au format ALTO, il peut être utilisé pour afficher la structure d’une page et son contenu.

XML-Text Encoding Initiative (TEI)

XML-TEI est une spécification du langage de balisage XML répondant aux exigences de la Text Encoding Initiative. C’est le standard utilisé pour l’encodage et la structuration d’informations textuelles. Il permet la représentation de texte détaillé avec des métadonnées riches, facilitant l’analyse scientifique et le partage de texte numérique.