Commits

Vincent Rabeux  committed f413fda

Présentation ICDAR2013 à 90%.

  • Participants
  • Parent commits 3fbd1b9

Comments (0)

Files changed (11)

File ICDAR2013/Presentation/frames/features.tex

 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 % fond-encre
 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
-\section{Degradations caracrs}
-\subsection{Descripteurs pour les perturbations fond-encre.}
+\section{Indentification and characterisation of some degradations}
 
 \begin{frame}
 	\tableofcontents[currentsection]
 \end{frame}
 
 
-\begin{frame}
-   \frametitle{Étape 1 : Étude de la sensibilité d'un algorithme.}
-  	\framesubtitle{Sensibilité des algorithmes de binarisation}
 
-\begin{center}
-\includegraphics<1->[width=150px]{./imgs/mesures/H04-2.png} 
-\end{center}
-
-\begin{columns}
-\begin{column}[l]{5cm}
-Binarisation globale :
-\includegraphics<1->[width=150px]{./imgs/annalysePerturbationFondEncre/grandTacheBinGlobal.png}
-\end{column}
-\begin{column}[r]{5cm}
-Binarisation locale :
-\includegraphics<1->[width=150px]{./imgs/annalysePerturbationFondEncre/grandeTacheBinSauvola.png} 
-\end{column}
-\end{columns}
-
-\note{
-\begin{enumerate}
-	\item ON etudie la sensibilité des algo de bin.
-	\item Décrit l'image.
-	\item Premiere famille de méthode : Globale 
-	\item  Calcule d'un seuil de séparation entre encre et le font grâce au infos globale
-	\item Seconde famille Locale :
-	\item Utilisation d'une voisinage pour binariser un pixel.
-\end{enumerate}
-
-\begin{enumerate}
-	\item Difficulté : Sensibilité différente à une même dégradation.
-\end{enumerate}
-}
-
-\end{frame}
-
-
-\begin{frame}
-   \frametitle{Étape 1 : Étude de la sensibilité d'un algorithme.}
-  	\framesubtitle{Sensibilité des algorithmes de binarisation}
-
-\begin{center}
-\includegraphics<1->[width=150px]{./imgs/mesures/H03.png} 
-\end{center}
-
-\begin{columns}
-\begin{column}[l]{5cm}
-Binarisation globale :
-\includegraphics<1->[width=150px]{./imgs/annalysePerturbationFondEncre/bruitsBinLocalOtsu.png}
-\end{column}
-\begin{column}[r]{5cm}
-Binarisation locale :
-\includegraphics<1->[width=150px]{./imgs/annalysePerturbationFondEncre/bruitsBinLocalSauvola.png} 
-\end{column}
-\end{columns}
-
-
-\end{frame}
-
-
-
+\subsection{[Step 1-2] Algorithms errors and characterization of degradations.}
 \begin{frame}
 
-   \frametitle{Étape 2 : Caractérisation de la dégradation en fonction de son influence.}
-  	\framesubtitle{Les perturbations fond-encre}   
-
+   \frametitle{[Step 1-2] Algorithms errors and characterization of degradations.}
    
 	\gtwosides{1}{./imgs/annalysePerturbationFondEncre/grandTache.png}{./imgs/annalysePerturbationFondEncre/H03.png}
+	\gtwosides{2}{./imgs/annalysePerturbationFondEncre/grandTacheBinGlobal.png}{./imgs/annalysePerturbationFondEncre/bruitsBinLocalSauvola.png}
+	\gtwosides{3}{./imgs/annalysePerturbationFondEncre/grandTacheBinGlobal.png}{./imgs/annalysePerturbationFondEncre/bruitsBinLocalSauvola.png}
 
-	
-%	\textbf{Caractérisation des perturbations fond-encre après l'analyse des résultats de plusieurs méthodes de binarisation.} \\
-	Sensibilité aux caractéristiques suivantes :
+\only<3>{
+	Algorithms fail depending on the following degradations characteristics :
 	\begin{itemize}
-		\item Quantité.
-		\item Intensité.
-		\item Taille. 
-		\item Localisation et positionnement relatif.
+		\item Quantity.
+		\item Intensity.
+		\item Size. 
+		\item Localization to the text.
 	\end{itemize} 
 	
 	\note{
 			\item Ils faut considérer plusieurs carac.
 		\end{itemize}
 	}
+	}
 	
 \end{frame}
 
+
+
+\subsection{[Step 3] Ink, degradations and background pixels extraction}
+
 \begin{frame}
 
-   \frametitle{Étape 3 : Extraction des pixels dégradé}
-  	\framesubtitle{Extraction de l'encre, des perturbations et du fond.}   
+   \frametitle{[Step 3] Ink, degradations and background pixels extraction}
 
-\textbf{	Extraction de 3 couches \cite{moghaddam2009low} de l'histogramme global : encre, dégradation, fond.}
+\textbf{	Extraction of 3 layers \cite{moghaddam2009low} : ink, degradations and background.}
 	
 \begin{center}
 
 \includegraphics<1>[width=\gtwosidewidth, height=0.2\textheight,keepaspectratio]{./imgs/mesures/grayDegradation.png} 
-\hspace{0.5cm}
+\hspace{0.9cm}
 \includegraphics<1>[width=\gtwosidewidth, height=0.2\textheight,keepaspectratio]{./imgs/mesures/grayComponentsHistogram.png} 
 \\
 \includegraphics[width=200px]{./imgs/mesures/grayComponents.png}
 %\end{frame}		
 
 
+\subsection{[Step 4] Features definition}
+
 \begin{frame}
 
-   \frametitle{Étape 4 : Définition des descripteurs}
-  	\framesubtitle{Les descripteurs globaux}   
+   \frametitle{[Step 4] Features definition}
+  	\framesubtitle{Global features}   
 
-\textbf{Caractérisation de la distribution globale des différentes couches.}
+\textbf{Characterization of the overall distribution of the different layers.}
 	
 \begin{center}
 \gtwosides{1}{./imgs/mesures/H03.png}{./imgs/mesures/H03-histo_explications.png} \\
 
 \end{frame}		
 
-
 %\begin{frame}
-%   \frametitle{Les descripteurs globaux}
+%   \frametitle{[Step 4] Features definition}
+%  	\framesubtitle{Global features}   
 %
-%	Utilisation des moments colorimétriques (moyenne, variance, skewness) sur les histogrammes des niveaux de gris suivants :
+%\only<1-2>{
+%\begin{center}
+%\includegraphics<1>[width=170px]{./imgs/histosMII/mII-fort.png}
+%\includegraphics<2>[width=170px]{./imgs/histosMII/mII-faible.png}
+%\label{default}
+%\end{center}
+%}
+%	
+%\note{
 %	\begin{itemize}
-%		\item de l'image,
-%		\item de l'encre,
-%		\item de la couche de dégradations,
-%		\item du fond.
+%		\item Necessaire de Metre en relation les ditributions.
+%		\item la proximité entre les moyennes des ditrib à aussi son importance.
+%
+%		\item Expliquer l'exemple
 %	\end{itemize}
-%	
-%	
-%	\begin{exampleblock}{Descripteurs des histogrammes des niveaux de gris}
-%		Nous avons à ce stade 12 valeurs décrivant la distribution des niveaux de gris de l'image.
-%	\end{exampleblock}
+%}	
+%
 %\end{frame}	
 
 
 \begin{frame}
-   \frametitle{Étape 4 : Définition des descripteurs}
-  	\framesubtitle{Les descripteurs globaux}   
-
-\only<1-2>{
-\begin{center}
-\includegraphics<1>[width=170px]{./imgs/histosMII/mII-fort.png}
-\includegraphics<2>[width=170px]{./imgs/histosMII/mII-faible.png}
-\label{default}
-\end{center}
-}
-	
-\note{
-	\begin{itemize}
-			\item Necessaire de Metre en relation les ditributions.
-		\item la proximité entre les moyennes des ditrib à aussi son importance.
-
-		\item Expliquer l'exemple
-	\end{itemize}
-}	
-
-\end{frame}	
-
-
-\begin{frame}
-   \frametitle{Étape 4 : Définition des descripteurs}
-  	\framesubtitle{Les descripteurs globaux}   
+   \frametitle{[Step 4] Features definition}
+  	\framesubtitle{Global features}   
 
 	\begin{enumerate}
-		\item Distance entre la moyenne de l'encre et la moyenne des dégradations.
-		\item Distance entre la moyenne des dégradations et la moyenne du fond.
+		\item Distance between the ink average grayscale and the degradations average grayscale. 
+		\item Distance between the degradations average grayscale and the background average grayscale.
 	\end{enumerate}
 	
 \begin{center}
 \end{frame}	
 
 \begin{frame}
-   \frametitle{Étape 4 : Définition des descripteurs}
-  	\framesubtitle{Les descripteurs globaux}   
+   \frametitle{[Step 4] Features definition}
+  	\framesubtitle{Global features}   
 
-	La quantité de pixels de dégradation (relativement à la quantité d'encre).
+	The amount of degradation of pixels (with respect to the amount of ink).
 
 \begin{center}
 \gtwosides{1}{./imgs/mesures/explicationQuantite.png}{./imgs/mesures/explicationQuantite1.png}
 
 
 \begin{frame}
-   \frametitle{Étape 4 : Définition des descripteurs}
-  	\framesubtitle{Les descripteurs locaux}   
+   \frametitle{[Step 4] Features definition}
+  	\framesubtitle{Local features}   
 
 
-	\textbf{Position} des pixels de dégradation vis-à-vis des pixels d'encre : \\
+	\textbf{Localization} of degradations pixels in regards to the localization of ink pixels. \\
 \includegraphics<1->[width=80px]{imgs/mesures/mA.png}
 %\includegraphics<2>[width=80px]{imgs/mesures/mA1.png}
 %\includegraphics<3>[width=80px]{imgs/mesures/mA2.png}
 \includegraphics<1->[width=80px]{imgs/mesures/mSG.png}
 
 \begin{itemize}
-   	\item<2-> Quantité de composantes de dégradation non connectées.
-	\item<3-> Quantité de composantes d'encre connectées.
-	\item<4-> Déformation d'une composante d'encre.
+   	\item<2-> Amount of degradation CCs \textit{not connected} to an ink CC.
+	\item<3-> Amount of degradation CC \textit{connected} to an ink CC.
+	\item<4-> Distortion of an ink CC (when connected to a degradation CC).
 \end{itemize}
 
 \note{
 %\end{frame}
 
 
-%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
-% fond-encre
-%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
+%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
+%%%%%%%%%%%%%%%%%%%%%%%%%% EXAMPELS %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
+%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 
-\begin{frame}
-	\frametitle{Exemples}
-	
-\begin{columns}
-\begin{column}[l]{5cm}
-\includegraphics<1->[width=150px]{./imgs/mesures/H04-2.png} 
-\footnotesize{
-\begin{itemize}
-\item<2-> Moyenne encre : 66
-\item<3-> Distance encre-dégradation : {\color{orange}0.2}
-\item<4-> Quantité de dégradations~:~{\color{red}0.3}
-\end{itemize}
-}
-
-\end{column}
-\begin{column}[r]{5cm}
-\includegraphics<1->[width=150px]{./imgs/mesures/H03.png} 
-\footnotesize{
-\begin{itemize}
-	\item<2-> Moyenne encre : {\color{red}98}
-	\item<3-> Distance encre-dégradation : {\color{orange}0.13}
-	\item<4-> Quantité de dégradations:0.03
-\end{itemize}
-}
-\end{column}
-\end{columns}	
-
-\note{
-\begin{itemize}
-	\item Des méthodes global risque de faire des erreurs.
-	\item Si c'est le cas il y aura plus d'erreur sur la premiere
-\end{itemize}
-}
-\end{frame}
-
-
-
-
-\begin{frame}
-	\frametitle{Exemples}
-	
-	\begin{columns}
-\begin{column}[l]{5cm}
-\includegraphics<1->[width=150px]{./imgs/mesures/H04-2.png} 
-\footnotesize{
-\begin{itemize}
-\item<1-> Distance dégradation-fond : 0.1
-\item<2-> Dégradations non connectées à l'encre : 0.05
-\item<3-> Favoriser une méthode \textbf{{\color{blue}locale}}
-\end{itemize}
-}
-
-
-
-\end{column}
-\begin{column}[r]{5cm}
-\includegraphics<1->[width=150px]{./imgs/mesures/H03.png} 
-\footnotesize{
-\begin{itemize}
-	\item<1-> Distance dégradation-fond : {\color{red}0.2}
-	\item<2-> Dégradations non connectées à l'encre : {\color{red}0.3}
-	\item<3-> Favoriser une méthode \textbf{{\color{blue}globale}}
-\end{itemize}
-}
-
-\end{column}
-\end{columns}	
-\note{
-\begin{itemize}
-	\item Des méthodes local risque de faire des erreurs sur la seconde mais pas la première.
-	\end{itemize}
-}
-\end{frame}
-
-
-\begin{frame}
-	\frametitle{Exemples}
-
-Favoriser une méthode {\color{blue}locale}	
-\begin{center}
-\includegraphics<1->[width=150px]{./imgs/mesures/H04-2.png} 
-\end{center}
-
-\begin{columns}
-\begin{column}[l]{5cm}
-\tiny{Binarisation Globale :}
-\includegraphics<1->[width=150px]{./imgs/annalysePerturbationFondEncre/grandTacheBinGlobal.png}
-\end{column}
-\begin{column}[r]{5cm}
-\tiny{\textbf{\color{blue}Binarisation Locale :}}
-\includegraphics<1->[width=150px]{./imgs/annalysePerturbationFondEncre/grandeTacheBinSauvola.png} 
-\end{column}
-\end{columns}
-\end{frame}
-
-\begin{frame}
-	\frametitle{Exemples}
-
-Favoriser une méthode {\color{blue}globale}	
-\begin{center}
-\includegraphics<1->[width=150px]{./imgs/mesures/H03.png} 
-\end{center}
-
-\begin{columns}
-\begin{column}[l]{5cm}
-\tiny{\textbf{\color{blue}Binarisation Globale :}}
-\includegraphics<1->[width=150px]{./imgs/annalysePerturbationFondEncre/bruitsBinLocalOtsu.png}
-\end{column}
-\begin{column}[r]{5cm}
-\tiny{Binarisation Locale :}
-\includegraphics<1->[width=150px]{./imgs/annalysePerturbationFondEncre/bruitsBinLocalSauvola.png} 
-\end{column}
-\end{columns}
-\end{frame}
-
-
-\begin{frame}
-	\frametitle{Conclusion sur la création de descripteurs}
-	
-	\begin{exampleblock}{Dans le cadre de la binarisation}
-	\begin{itemize}
-		\item 18 descripteurs valeurs caractérisant les dégradations.
-		\item Informations globales.
-		\item Informations locales moyennées sur une page.
-	\end{itemize}
-	\end{exampleblock}
-
-%\only<2-4>{Exemple : \\}
+%\begin{frame}
+%	\frametitle{Exemples}
+%	
 %\begin{columns}
 %\begin{column}[l]{5cm}
-%\includegraphics<2-3>[width=100px]{./imgs/consecteur.png}
-%\includegraphics<4>[width=100px]{./imgs/consecteurBin.png}
+%\includegraphics<1->[width=150px]{./imgs/mesures/H04-2.png} 
+%\footnotesize{
+%\begin{itemize}
+%\item<2-> Moyenne encre : 66
+%\item<3-> Distance encre-dégradation : {\color{orange}0.2}
+%\item<4-> Quantité de dégradations~:~{\color{red}0.3}
+%\end{itemize}
+%}
+%
 %\end{column}
 %\begin{column}[r]{5cm}
-%\only<3-4> {
+%\includegraphics<1->[width=150px]{./imgs/mesures/H03.png} 
+%\footnotesize{
 %\begin{itemize}
-%	\item Distance à l'encre [0,1] : 0.30
-%	\item Distance au fond [0,1] : 0.38
+%	\item<2-> Moyenne encre : {\color{red}98}
+%	\item<3-> Distance encre-dégradation : {\color{orange}0.13}
+%	\item<4-> Quantité de dégradations:0.03
 %\end{itemize}
 %}
 %\end{column}
+%\end{columns}	
+%
+%\note{
+%\begin{itemize}
+%	\item Des méthodes global risque de faire des erreurs.
+%	\item Si c'est le cas il y aura plus d'erreur sur la premiere
+%\end{itemize}
+%}
+%\end{frame}
+
+
+
+%
+%\begin{frame}
+%	\frametitle{Exemples}
+%	
+%	\begin{columns}
+%\begin{column}[l]{5cm}
+%\includegraphics<1->[width=150px]{./imgs/mesures/H04-2.png} 
+%\footnotesize{
+%\begin{itemize}
+%\item<1-> Distance dégradation-fond : 0.1
+%\item<2-> Dégradations non connectées à l'encre : 0.05
+%\item<3-> Favoriser une méthode \textbf{{\color{blue}locale}}
+%\end{itemize}
+%}
+%
+%
+%
+%\end{column}
+%\begin{column}[r]{5cm}
+%\includegraphics<1->[width=150px]{./imgs/mesures/H03.png} 
+%\footnotesize{
+%\begin{itemize}
+%	\item<1-> Distance dégradation-fond : {\color{red}0.2}
+%	\item<2-> Dégradations non connectées à l'encre : {\color{red}0.3}
+%	\item<3-> Favoriser une méthode \textbf{{\color{blue}globale}}
+%\end{itemize}
+%}
+%
+%\end{column}
+%\end{columns}	
+%\note{
+%\begin{itemize}
+%	\item Des méthodes local risque de faire des erreurs sur la seconde mais pas la première.
+%	\end{itemize}
+%}
+%\end{frame}
+%
+%
+%\begin{frame}
+%	\frametitle{Exemples}
+%
+%Favoriser une méthode {\color{blue}locale}	
+%\begin{center}
+%\includegraphics<1->[width=150px]{./imgs/mesures/H04-2.png} 
+%\end{center}
+%
+%\begin{columns}
+%\begin{column}[l]{5cm}
+%\tiny{Binarisation Globale :}
+%\includegraphics<1->[width=150px]{./imgs/annalysePerturbationFondEncre/grandTacheBinGlobal.png}
+%\end{column}
+%\begin{column}[r]{5cm}
+%\tiny{\textbf{\color{blue}Binarisation Locale :}}
+%\includegraphics<1->[width=150px]{./imgs/annalysePerturbationFondEncre/grandeTacheBinSauvola.png} 
+%\end{column}
 %\end{columns}
+%\end{frame}
+%
+%\begin{frame}
+%	\frametitle{Exemples}
+%
+%Favoriser une méthode {\color{blue}globale}	
+%\begin{center}
+%\includegraphics<1->[width=150px]{./imgs/mesures/H03.png} 
+%\end{center}
+%
+%\begin{columns}
+%\begin{column}[l]{5cm}
+%\tiny{\textbf{\color{blue}Binarisation Globale :}}
+%\includegraphics<1->[width=150px]{./imgs/annalysePerturbationFondEncre/bruitsBinLocalOtsu.png}
+%\end{column}
+%\begin{column}[r]{5cm}
+%\tiny{Binarisation Locale :}
+%\includegraphics<1->[width=150px]{./imgs/annalysePerturbationFondEncre/bruitsBinLocalSauvola.png} 
+%\end{column}
+%\end{columns}
+%\end{frame}
 
-	\begin{alertblock}{Perspectives}
-		Descripteurs pour d'autres taches et maillons de la chaîne.
-	\end{alertblock}
-	
-	
-	\note{
-		\begin{itemize}
-			\item On a valider la méthode dans le cadre de la binarisation.
-			\item On peut utiliser la méthode pour créer des descripteurs pour d'autres taches.
-		\end{itemize}
-	}
 
-\end{frame}
+%\begin{frame}
+%	\frametitle{Conclusion sur la création de descripteurs}
+%	
+%	\begin{exampleblock}{Dans le cadre de la binarisation}
+%	\begin{itemize}
+%		\item 18 descripteurs valeurs caractérisant les dégradations.
+%		\item Informations globales.
+%		\item Informations locales moyennées sur une page.
+%	\end{itemize}
+%	\end{exampleblock}
+%
+%
+%	\begin{alertblock}{Perspectives}
+%		Descripteurs pour d'autres taches et maillons de la chaîne.
+%	\end{alertblock}
+%	
+%	
+%	\note{
+%		\begin{itemize}
+%			\item On a valider la méthode dans le cadre de la binarisation.
+%			\item On peut utiliser la méthode pour créer des descripteurs pour d'autres taches.
+%		\end{itemize}
+%	}
+%
+%\end{frame}
 
 
 

File ICDAR2013/Presentation/frames/intro.tex

 }
 \end{frame}
 
+
+
+\begin{frame}
+\frametitle{Several algorithms available}
+
+\begin{center}
+\gframe{1}{./imgs/severalAlgorithm.png}
+\end{center}
+\end{frame}
+
 %\begin{frame}
 %\frametitle{La chaine de traitements}
 %\gframe{1}{./imgs/chaineTraitements/chaineTraitement0.png}
 
 
 \begin{frame}
-	\frametitle{Notre approche}
+	\frametitle{Our approach}
 	
-	\begin{exampleblock}{Mesurer les dégradations de l'image}
+	\begin{exampleblock}{Predicting algorithm performance.}
 	\begin{enumerate} 
-		\item \textbf{Identifier} et \textbf{caractériser} certaines dégradations d'une image.
-		\item \textbf{Prédire} les performances d'algorithmes.
-		\item \textbf{Sélectionner} l'algorithme le plus adapté.
+		\item  \textbf{Indentification} and \textbf{characterisation} of some degradations in the document image.
+		\item  Use the obtained features to \textbf{predict} the algorithm performances.
+		\item [=>] \textbf{Select} the most effective algorithm for each image.
 	\end{enumerate}
 	\end{exampleblock}
 
-	
-%\begin{exampleblock}{Proposition}
-%\begin{itemize}
-%\item Descripteurs caractérisant la qualité d'une image.
-%\item Modèles de prédiction.
-%\end{itemize}
-%%Méthodologie permettant la création de modèles de prédiction des performances d'algorithmes à l'aide de descripteurs caractérisant la qualité d'une image. 
-%\end{exampleblock}
-
-\gframe{1}{./imgs/notreApproche.png}
+\gframe{1}{./imgs/ourApproach.png}
 
 \end{frame}
 

File ICDAR2013/Presentation/frames/prediction.tex

-\section{Prédiction des performances d'algorithmes}
+\section{Algorithm performances prédiction.}
+
+\subsection{Model creation and validation.}
 
 \begin{frame}
 	\tableofcontents[currentsection]
 
 
 \begin{frame}
-   \frametitle{Création d'un modèle de prédiction par apprentissage}
+   \frametitle{The overall workflow : Model creation and validation.}
 
-\includegraphics<1>[width=\gwidth]{./imgs/creationModelSlides/creaModel1.png}
-\includegraphics<2>[width=\gwidth]{./imgs/creationModelSlides/creaModel2.png}
-\includegraphics<3>[width=\gwidth]{./imgs/creationModelSlides/creaModel3.png}
-\includegraphics<4>[width=\gwidth]{./imgs/creationModelSlides/creaModel4.png}
-\includegraphics<5>[width=\gwidth]{./imgs/creationModelSlides/creaModel5.png}
-\includegraphics<6>[width=\gwidth]{./imgs/creationModelSlides/creaModel6.png}
-\includegraphics<7>[width=\gwidth]{./imgs/creationModelSlides/creaModel8.png}
+\begin{center}
+\includegraphics<1>[width=250px]{./imgs/creationModelSlides/creaModel1.png}
+\includegraphics<2>[width=250px]{./imgs/creationModelSlides/creaModel2.png}
+\includegraphics<3>[width=250px]{./imgs/creationModelSlides/creaModel3.png}
+\end{center}
 
 \note{
 \begin{itemize}
 %\end{frame}
 
 
+\subsection{Prédicting binarization methods performances.}
+
 \begin{frame}
-   \frametitle{Les méthodes de binarisations à prédire}
+   \frametitle{Selected binarization methods}
 
-Prédiction de \textbf{11 méthodes de binarisations} :
+\textbf{11 binarization mehods} selected :
 	\begin{enumerate}
-	\item Globales :
+	\item Globals :
 		\begin{itemize}
 			\item Kittler \cite{kittler1985threshold}, Otsu \cite{otsu1975threshold}, Ridler \cite{calvard1978picture}, Kapur \cite{kapur1985new},  Li \cite{li1998iterative}, Sahoo \cite{sahoo1997threshold}, Shanbag  \cite{shanbhag1994utilization}
 		\end{itemize}
 	
-	\item Locales :
+	\item Locals :
 	\begin{itemize}
 		\item Bernsen \cite{bernsen1986dynamic},  White \cite{white1983image}, Sauvola \cite{sauvola2000adaptive} 
 	\end{itemize}
-	\item Combinaison de plusieurs techniques :  \\
-	\begin{itemize}
-			\item 	Shijian \cite{su2011combination} (gagnante du concours de binarisation d'ICDAR 2009).
-	\end{itemize}
+	\item ICDAR 2009 winner :  Lu \cite{su2011combination}  \\
 \end{enumerate}
 \end{frame}
 
-\subsection{Prédiction des performances d'algorithmes de binarisation}
 
 \begin{frame}
-   \frametitle{Le corpus de documents}
+   \frametitle{The training and validation dataset.}
 
-\textbf{Objectif :} Prédire les performances d'algorithmes de binarisation.\\
+\textbf{Goal :} Predict the performance of a binarization method for each images.\\
 	\begin{itemize}
 
-	\item Vérité terrain (DIBCO et H-DIBCO) :\\
+	\item Ground Truth (DIBCO \& H-DIBCO) :\\
     \begin{center}
 \includegraphics[width=70px]{./imgs/prediction/dibco_extract/webui.png}
 \hspace{1mm}
 \hspace{1mm}
 \includegraphics[width=70px]{./imgs/prediction/dibco_extract/webui-5.png}
 	\end{center}
-	\item 36 images de documents.
-	\item Performances mesurées par le F-Score (précision, rappel).
-	\item Bonne représentation des images difficiles à traiter. Sur l'ensemble des méthodes :
+	\item 36 document images.
+	\item Performances measured with the F-Score.
+	\item Well distributed on the dataset and the set of binarization methods :
 		\begin{itemize}
-		\item F-score moyen : 0.6; minimal : 0.1; maximal : 0.9.
+		\item mean : 0.6; min : 0.1; max : 0.9.
 		\end{itemize}
 
 	\end{itemize}
 %\end{frame}
 
 
-\begin{frame}
-   \frametitle{Création de modèles par régression linéaire \emph{step-wise}}
-
-%\begin{center}
-%\includegraphics<1>[width=\gwidth, height=0.9\textheight,keepaspectratio]{./imgs/creationModelSlides/modelDetail1.png}
-%\end{center}
-
-	  \begin{block}{Création du modèle}
-	  	 \textbf{Sélection les descripteurs les plus significatifs}.
-	\begin{itemize}
-		\item \emph{Forward selection}, \emph{Backward elimination}, \emph{Bidirectional elimination}.
-		\item \textbf{Sélection exhaustive}.
-	\end{itemize}
-		\end{block}
-
-Estimation d'une fonction expliquant le F-Score en fonction des descripteurs :
-\begin{eqnarray*}
-\text{F-Score} & = & f(X_{n})  \\ 
-\text{F-Score} & = & \alpha_{1}*x_{1} + ... + \alpha_{k}*x_{k} + ... + \alpha_{n}*x_{n} + \beta
-\end{eqnarray*}
-\tiny{Avec : \\
-\begin{itemize}
-	\item $x_{k}, k \in [1,n] $ : les  descripteurs.
-	\item $\alpha_{k}, k \in [1,n] $ : les coefficients de chaque descripteur.
-	\item $\beta$ : l'intercept.
-\end{itemize}
-}
-  	
-     
-
-\end{frame}
+%\begin{frame}
+%   \frametitle{Création de modèles par régression linéaire \emph{step-wise}}
+%
+%%\begin{center}
+%%\includegraphics<1>[width=\gwidth, height=0.9\textheight,keepaspectratio]{./imgs/creationModelSlides/modelDetail1.png}
+%%\end{center}
+%
+%	  \begin{block}{Création du modèle}
+%	  	 \textbf{Sélection les descripteurs les plus significatifs}.
+%	\begin{itemize}
+%		\item \emph{Forward selection}, \emph{Backward elimination}, \emph{Bidirectional elimination}.
+%		\item \textbf{Sélection exhaustive}.
+%	\end{itemize}
+%		\end{block}
+%
+%Estimation d'une fonction expliquant le F-Score en fonction des descripteurs :
+%\begin{eqnarray*}
+%\text{F-Score} & = & f(X_{n})  \\ 
+%\text{F-Score} & = & \alpha_{1}*x_{1} + ... + \alpha_{k}*x_{k} + ... + \alpha_{n}*x_{n} + \beta
+%\end{eqnarray*}
+%\tiny{Avec : \\
+%\begin{itemize}
+%	\item $x_{k}, k \in [1,n] $ : les  descripteurs.
+%	\item $\alpha_{k}, k \in [1,n] $ : les coefficients de chaque descripteur.
+%	\item $\beta$ : l'intercept.
+%\end{itemize}
+%}
+%  	
+%     
+%
+%\end{frame}
 
 
 \begin{frame}
-   \frametitle{Création d'un modèle pour la méthode Sauvola}
+   \frametitle{Example : the Sauvola prediction model}
    
    
    \begin{columns}[t]
 	  \begin{column}{5cm}
-		  \textbf{Descripteurs retenus :}  \\
+		  \textbf{Selected features :}  \\
 		\begin{itemize}
-			\item Distance à l'encre,
-			\item Quantité de dégradations vis-à-vis de l'encre.
-			\item Distribution de l'encre.
-			\item Composantes non-connectées à l'encre,
+			\item Distance to the ink,
+			\item Amount of degradations,
+			\item Ink distribution,
+			\item CCs not connected to the ink.
 		\end{itemize}
+		
+		\textbf{Cross-Validation (means) :} 
+		\begin{itemize}
+			\item $R^{2}$ : 0.99, 
+			\item Coefficient : 1.0007.
+			\item Mean error : 10\%
+		\end{itemize}
+
 	  \end{column}
   
      \begin{column}{7.5cm}
-		  \textbf{Illustration} de la prédiction pour la méthode de Sauvola.
+		  \textbf{Object lesson :} The Sauvola accuracy prediction model.
 		  \begin{center}
 		  \includegraphics[width=\gwidth, height=0.6\textheight,keepaspectratio]{./imgs/predValidation/sauvola_fscore_prediction_ann.png}
 		   \end{center}
 
 \end{frame}
 
-\begin{frame}
-   \frametitle{Validation statistique des modèles par \emph{cross-validation}}
-
-\begin{center}
-\includegraphics<1>[width=\gwidth, height=\textheight,keepaspectratio]{./imgs/creationModelSlides/crossValid.png}
-\end{center}
-
-\note{
-	\begin{itemize}
-		\item CrossValid car corpus de faible dimension.
-		\item R2 : estime les capacité prédictive du modèle. Doit être proche de 1.
-		\item RMSE : Erreur quadratique moyenne. (doit être faible).
-		\item Coef : Doit être proche de 1.
-		\item Ces étape sont répéter un certains nombre de fois afin de faire varier les partitions et de s'assurer que la validation ne dépend pas du corpus d'apprentissage.
-	\end{itemize}
-}
-
-\end{frame}
-
+%\begin{frame}
+%   \frametitle{Validation statistique des modèles par \emph{cross-validation}}
+%
+%\begin{center}
+%\includegraphics<1>[width=\gwidth, height=\textheight,keepaspectratio]{./imgs/creationModelSlides/crossValid.png}
+%\end{center}
+%
+%\note{
+%	\begin{itemize}
+%		\item CrossValid car corpus de faible dimension.
+%		\item R2 : estime les capacité prédictive du modèle. Doit être proche de 1.
+%		\item RMSE : Erreur quadratique moyenne. (doit être faible).
+%		\item Coef : Doit être proche de 1.
+%		\item Ces étape sont répéter un certains nombre de fois afin de faire varier les partitions et de s'assurer que la validation ne dépend pas du corpus d'apprentissage.
+%	\end{itemize}
+%}
+%
+%\end{frame}
 
 \begin{frame}
-   \frametitle{Validation du modèle pour la méthode de Sauvola}
-
-	
-	\begin{columns}[t]
-	  \begin{column}{5cm}
-		\textbf{Cross-Validation (moyennes) :} 
-		\begin{itemize}
-			\item $R^{2}$ : 0.99, 
-			\item Coefficient : 1.0007.
-			\item Erreur moyenne : 10\%
-		\end{itemize}
-	  \end{column}
-  
-     \begin{column}{7.5cm}
-		  \textbf{Illustration} de la prédiction pour la méthode de Sauvola.
-		  \begin{center}
-		  \includegraphics[width=\gwidth, height=0.6\textheight,keepaspectratio]{./imgs/predValidation/sauvola_fscore_prediction_ann.png}
-		   \end{center}
-	\end{column}
- \end{columns} 
-
-\note{
-	\begin{itemize}
-		\item un R2 presque parfait.
-		\item Coefiscient proche de 1
-		\item Une erreur de 10\%
-	\end{itemize}
-}
-
-	
-\end{frame}
-	
-%	\begin{center}
-%\tiny
-%\begin{table}[ht]
-%\begin{tabular}{|c|c|c|}
-%\hline
-%Methode &  Nombre de descripteurs retenus & Erreur Moyenne \\
-%\hline
-%\hline
-%Sauvola & $\mIBack; \mQ; \mA; \mu; s; s_{I}; v_{I}$ & 10\% \\
-%Otsu & $\mIInk; ; \mu_{B}; v_{B}; v_{I}; \mu; v $ & 5\% \\
-%Shijian & $\mIBack; \mA; \mSG; v; s_{I}; s_{D}; \mu_{I}$ & 4\%\\
-%
-%Bernsen & $\mIInk; \mA; \mSG; v; v_{D}; v_{I}$ & 6\% \\
-%{\color{blue}Kapur}   &   $ \mIInk; \mA; \mu; v; s_{D}; v_{I}; \mu_{D}; \mu_{I} $ & {\color{blue}2\%}  \\
-%Kittler    &  $\mIInk; \mQ; s; v_{I}; \mu_{B}; v_{B} $ & 5\% \\
-%{\color{red}Li}	     &  $\mIInk; \mA; \mSG; \mu; v; v_{I}; \mu_{D}; \mu_{I} $ & {\color{red}11\%} \\
-%Riddler & $ \mIInk; v; v_{D}; v_{I} $ & 5\% \\
-%Sahoo & $ \mIInk; \mu; s_{B}; v_{I}; \mu_{D}; \mu_{I} $ & 5\% \\
-%Shanbag & $\mIInk; s; v; s_{D}; s_{I}; v_{D}; v_{I}$ & 6\%  \\
-%White 	& $ \mIInk; \mSG; s; v; \mu_{D}; \mu_{I}; v_{D}$ & 7\% \\
-%\hline
-%\end{tabular}
-%\end{table}
-%\end{center}
-
-
-\begin{frame}
-   \frametitle{Résultats des modèles de prédictions}
+   \frametitle{Prediction model results}
    
 \begin{center}
 \tiny
 \begin{table}[ht]
 \begin{tabular}{|c|c|c|}
 \hline
-Methode &  Nombre de descripteurs retenus & Erreur Moyenne \\
+Binarization method & Number of selected features & Mean Error \\
 \hline
 \hline
 Sauvola & 7 & 10\% \\
 Otsu & 6 & 5\% \\
-Shijian & 7 & 4\%\\
+Lu & 7 & 4\%\\
 
 Bernsen & 6 & 6\% \\
 {\color{blue}Kapur}   &  5 & {\color{blue}2\%}  \\
 \end{center}
 
 
-	\begin{exampleblock}{Précision des modèles de prédiction}
+	\begin{exampleblock}{Prediction models accuracy}
 	\begin{itemize}
-		\item Sélection cohérente des descripteurs les plus significatifs.
-		\item Environ 5.6\% d'erreur moyenne sur l'ensemble des modèles.
+		\item Consistent selection of the most significant descriptors.
+		\item About 5.6\% of average error on the overall set of models.
 	\end{itemize}
 	\end{exampleblock}
 	
 %\end{frame}
 
 
-\subsection{Sélection de l'algorithme optimal de binarisation}
+\subsection{Automatic selection of the best binarization method.}
 
 \begin{frame}
-	\tableofcontents[currentsection]
-\end{frame}
+\frametitle{Automatic selection of the best binarization method.}
 
 
-\begin{frame}
-	\frametitle{Différence de performance entre plusieurs algorithmes de binarisation}
-\begin{center}
-\includegraphics[width=0.9\textwidth, height=0.19\textheight, keepaspectratio]{./imgs/diffMethodesBinar/original.png}  \\
-%Sauvola & \includegraphics[width=\gwidth, height=0.19\textheight, keepaspectratio]{./imgs/diffMethodesBinar/sauvola.png} \\
-Shijian (Gagnante du concours ICDAR 2009) : \\
-\includegraphics[width=0.9\textwidth, height=0.19\textheight, keepaspectratio]{./imgs/diffMethodesBinar/Shijian.png} \\
-Otsu : \\
-\includegraphics[width=0.9\textwidth, height=0.19\textheight, keepaspectratio]{./imgs/diffMethodesBinar/Otsu.png} 
-\end{center}
-
-\note{
-	\begin{itemize}
-		\item  On pourrais croire que le mieux est d'utiliser la meilleure image 
-		\item Pourtant non cf Example.
-	\end{itemize}
-}
-
-\end{frame}
-
-\begin{frame}
-\frametitle{Différence de performance entre plusieurs algorithmes de binarisation}
-
-
-Shijian (Gagnante du concours ICDAR 2009) : 
+Lu (ICDAR 2009 Winner) : 
 \begin{center}
 \footnotesize
 \begin{tabular}{|c|c|}
 \hline
-F-Score moyen & F-Score minimal \\
+Mean F-Score & Min F-Score \\
 \hline 
 0.89 & {\color{red}$0.21$} \\
 \hline
 \end{center}
 
 
-\textbf{Sélection optimale d'une méthode de binarisation :}
+Automatic selection of the best binarization method :
 \vspace{3mm}
 
 \begin{columns}
 \begin{column}[l]{5cm}
-	 \emph{Cas optimal} : 
+	 \emph{Ground-Truth (best case)} : 
 	 \footnotesize{
 	\begin{tabular}{|c|c|}
 	\hline
-		F-Score moyen & F-Score minimal \\
+		Mean F-Score & Min F-Score \\
 		\hline 
 		0.91 & {\color{blue}$0.77$} \\
 		\hline
 
 \end{column}
 \begin{column}[r]{5cm}
-	Modèles de prédiction :
+	Using the prediction models :
 	\footnotesize{ 
 		\begin{tabular}{|c|c|}
 	\hline
-		F-Score moyen & F-Score minimal \\
+		Mean F-Score & Min F-Score \\
 		\hline 
 		0.90 & {\color{blue}$0.61$} \\
 		\hline
 
 	\begin{exampleblock}{Conclusion}
 		\begin{itemize}
-			\item Proche du cas optimal en moyenne.
-			\item \textbf{Détection des cas critiques}.
+			\item Close to the best case.
+			\item \textbf{Good detection of difficult images}.
 		\end{itemize}
 	\end{exampleblock}
 
 
 
 
-
-%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
-% application à l'OCR
-%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
-
-\subsection{Étude des perturbations fond-encre sur les OCRs}
-
-\begin{frame}
-	\tableofcontents[currentsection]
-\end{frame}
-
-
-\begin{frame}
-   \frametitle{Vers la prédiction de systèmes OCR}
-   \begin{alertblock}{Besoins}
-   	\begin{itemize}
-		\item Différents systèmes OCRs.
-		\item Prédiction des résultats pour :
-		\begin{itemize}
-			\item Sélectionner le plus adapté à une image.
-			\item Réaliser une transcription manuelle.
-		\end{itemize}
-	\end{itemize}
-   \end{alertblock}
-      
-%	\includegraphics[width=0.7\textwidth]{./imgs/stateArtOCR.png}
-\textbf{Les OCR sont des systèmes complexes : fontes, langues, mise-en-page, logos, figures.} \\
-   
-	\begin{itemize}
-		\item Documents textuels (fontes modernes).
-		\item Utilisation de descripteurs binaires.
-		\item Classification des documents : bons, mauvais.
-	\end{itemize}
-	
-	\note{
-		\begin{itemize}
-			\item L'OCR est l'algorithme permettant de transcrire automatiquement le texte de l'image.
-			\item Il existe plusieurs système présentant des performance différente.
-			\item Il serait la aussi intéressant de prédire le score pour :
-			\begin{itemize}
-				\item Selectionner
-				\item Réaliser une transcription manuel si le performance sont juger comme insuffisante.
-			\end{itemize}
-			\item Or c'est complexe.
-			\item Etat de l'art se concentre sur doc textuel, binaire.
-			\item Certaines initiative récente on pour objectif d'utiliser les descripteurs SIFT.
-			\item Mais dans tout les cas on arrive juste à bon et mauvais.
-			
-		\end{itemize}
-	}
-\end{frame}
-
-
-\begin{frame}
-   \frametitle{Étude de l'influence des perturbations fond-encre sur un OCR}
-     
-   \textbf{Problématique} : \\ 
-     \begin{enumerate}
-		\item Est-ce que les perturbations fond encre doivent être prises en compte  ?
-     \end{enumerate} 
-      
-	\textbf{Utilisation de la même méthodologie :}
-	\begin{itemize}
-		\item  Création d'un modèle par apprentissage
-			$$	tx_{erreurs} = \alpha_{1}*x_{1} + ... + \alpha_{k}*x_{k} + ... + \alpha_{n}*x_{n} +\beta	$$
-
-		\item  Estimation de la précision du modèle.
-	\end{itemize}
-\end{frame}
-
-
-
-
-\begin{frame}
-
-   \frametitle{Création du corpus}
-
-		Les corpus de documents pour l'OCR :
-		\begin{itemize}
-			\item \textbf{Peu de dégradations.}
-			\item \textbf{Images complexes} (fontes,  tableaux, figures, mises en page complexes, etc.).
-		\end{itemize}
-		
-		Pour utiliser notre démarche :
-		\begin{itemize}
-			\item Images contenant des \textbf{perturbations fond-encre}.
-			\item \textbf{Peu de complexité} d'analyse.
-		\end{itemize}
-	\note{
-		\begin{itemize}
-			\item On reprend la même méthodo
-			\item Rappel sur création d'un model
-			\item MAIS on change le corpus 
-			\item pk ? car slide
-		\end{itemize}
-	}	
-		
-\end{frame}
-
-
-\begin{frame}
-   \frametitle{Création du corpus}
-
-Utilisation de 190 documents  {\color{blue}semi-synthétiques}\cite{journet2010analyse}. 
-	\includegraphics[width=\gtwosidewidth, height=\gtwosideheight]{./imgs/prediction/syntheticTransCorpus/collagePageBlanche.png}
-\includegraphics[width=\gtwosidewidth, height=\gtwosideheight]{./imgs/prediction/syntheticTransCorpus/collageSansTrans2Para.png} \\
-\includegraphics[width=\gtwosidewidth, height=\gtwosideheight]{./imgs/prediction/syntheticTransCorpus/collageTransUneColonne.png}
-\includegraphics[width=\gtwosidewidth, height=\gtwosideheight]{./imgs/prediction/syntheticTransCorpus/collageForteTrans.png}
-
-\textbf{Variations importantes des perturbations fond-encre.}
-	
-\note{	
-	\begin{itemize}
-		\item Varier l'importance des perturbations fond-encre.
-		\item le pourcentage de texte.
-		\item l'espace interligne
-		\item le nb de para
-		\item le nombre de colonne.
-	\end{itemize}
-	DONC on dispose d'images dégradé avec la VT.
-}
-\end{frame}
-
-
-\begin{frame}
-	\frametitle{Les modèles de prédiction OCR}
-	Prédictions de deux OCR :
-	\begin{enumerate}
-		\item \includegraphics[width=30px]{./imgs/OCRopus.png} \hspace{1mm} \textbf{OCRopus :}
-			\begin{itemize}
-				\item $R^{2}$ : 0.99
-				\item Coefficient : 0.99
-				\item RMSE : 7
-			\end{itemize}
-		\item \includegraphics[width=30px]{./imgs/ABBYY.png} \hspace{1mm} \textbf{Abbyy FineReader 9 :}
-			\begin{itemize}
-				\item $R^{2}$ : 0.97
-				\item Coefficient : 1.006
-				\item RMSE : 11.03
-			\end{itemize}
-	\end{enumerate}
-	
-
-
-\only<1> {
-\begin{block}{Conclusion}
-\begin{itemize}
-	\item La qualité influe sur l'OCR et doit être prise en compte.
-
-\end{itemize}
-\end{block}
-}
-\only<2>{
-\begin{alertblock}{Perspective}
-\begin{itemize}
-	\item Besoin de nouveaux descripteurs pour la complexité.
-
-\end{itemize}
-\end{alertblock}
-}
-
-	
-	
-\end{frame}
-
-%\begin{frame}[shrink=2]
-%   \frametitle{Les modèle de prédiction OCR}
-%   
-%   \textbf{Utilisation de la même méthodologie sur deux OCRs :}
-%   \begin{itemize}
-%   	\item OCROpus,
-%	\item Abbyy FineReader 9.
-%   \end{itemize}
-%   
-%   \tiny
-%\begin{table}[htdp]
-%\begin{center}
-%\begin{tabular}{|c||cc||cc|}
-%\hline
-%& \multicolumn{2}{c||}{OCR Abbyy} & \multicolumn{2}{c|}{OCRopus} \\
-%Descripteurs & \parbox{3cm}{ coefficient  \vspace{1mm}}    &       p-valeur    & \parbox{3cm}{ coefficient  \vspace{1mm}}    & p-valeur \\
-%\hline
-%\hline
-%$ \mIInk$				& 	97.11	     		& <0.0001 	& 	 74.12    			& <0.0001 			\\
-%$ \mIBack $ 			& 	195.25			& <0.0001 	& 	 147.09     			& <0.0001 	 		\\
-%$ \mQ  $ 				& 	-				&  -		 	& 	0.16	       			& 0.003 	 \\
-%$ \mA $ 				& 	19.8				& <0.0001		& 	-16,99      			& 0.02 	 \\
-%$ \mS $ 				& 	 -				&   -  			& 	-74,5       			& <0.0001 	\\
-%$ \mSG $				&   	-22.19			& 0.0008		&     16.08				& <0.0001	\\
-%
-%
-% \hline
-%\end{tabular}
-%\end{center}
-%\caption{Modèles de prédiction des taux d'erreurs des deux OCRs (OCRopus et Abbyy Fine Reader). Il est à noter que contrairement à Abbyy FineReader, la totalité des descripteurs est sélectionnée pour expliquer le taux d'erreur d'OCRopus.}
-%\label{predmodel}
-%\end{table}%
-%\end{frame}
-%
-%\begin{frame}[shrink=2]
-%   \frametitle{Validation modèle de prédiction OCR}
-%   
-%  \begin{table}[htdp]
-%\begin{center}
-%\begin{tabular}{|l|l|l|l|l|}
-%\hline
-%				       &  Slope Coefficient & 	R-square & RMSE \\
-%\hline
-%OCR Abbyy FineReader 	&  1.006    & 0.97  & 11.03 \\
-%OCROpus &  0.99 &    0.99  & 7 \\
-%\hline
-%
-%\end{tabular}
-%\end{center}
-%\caption{Indicateurs statistiques mesurant les qualités prédictives des deux modèles de prédiction.}
-%\label{indicators}
-%\end{table}%
-%
-%\begin{block}{Validation des modèles}
-%	\begin{itemize}
-%		\item Les deux modèles sont précis.
-%		\item Abbyy FineReader semble plus complexe à prédire que OCROpus.
-%	\end{itemize}
-%\end{block}
-%   
-%\end{frame}
-
-
-%\begin{frame}[shrink=2]
-%   \frametitle{Vers une prédiction des performances OCR}
-%   
-%
-%\begin{exampleblock}{Apports}
-%	\begin{itemize}
-%		\item Prédiction des performances des OCRs en fonction du défaut de transparence.
-%		\item Notre méthodologie est applicable à des systèmes complexes composés de plusieurs maillons algorithmiques.
-%	\end{itemize}
-%\end{exampleblock}
-%
-%\begin{alertblock}{Perspectives}
-%	 Il est nécessaire de créer des descripteurs caractérisant la complexité d'analyse d'une image (nombre de caractères, nombre de lignes, présence ou non d'éléments complexes comme les tableaux ou les figures, etc.)
-%\end{alertblock}
-%   
-%\end{frame}
-
-
-
-%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
-% conclusion
-%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
-
-%\subsection{Conclusion}
-
-%\begin{frame}
-%	\tableofcontents[currentsection]
-%\end{frame}
-
-
-%\begin{frame}
-%   \frametitle{Conclusion}
-%   
-%   \begin{exampleblock}{Apports}
-%	\begin{itemize}
-%		\item Définition d'un protocole strict permettant la création de modèles de prédiction des performances d'algorithmes.
-%		\item Création de modèles de prédiction pour 11 méthodes de binarisations.
-%		\item Nouvelle méthode de sélection automatique de la méthode de binarisation proposant les meilleurs résultats pour chaque image.
-%		\item Création de modèles de prédiction pour 2 OCRs.
-%	\end{itemize}
-%\end{exampleblock}
-%
-%
-%\end{frame}
-
-
-
-
-

File ICDAR2013/Presentation/imgs/creationModelSlides/creaModel1.png

Old
Old image
New
New image

File ICDAR2013/Presentation/imgs/creationModelSlides/creaModel2.png

Old
Old image
New
New image

File ICDAR2013/Presentation/imgs/creationModelSlides/creaModel3.png

Old
Old image
New
New image

File ICDAR2013/Presentation/imgs/echecChaineTrans.png

Old
Old image
New
New image

File ICDAR2013/Presentation/imgs/mesures/H03-histo_explications.png

Old
Old image
New
New image

File ICDAR2013/Presentation/imgs/mesures/H04-2-histo_explications.png

Old
Old image
New
New image

File ICDAR2013/Presentation/imgs/mesures/grayComponentsHistogram.png

Old
Old image
New
New image

File ICDAR2013/Presentation/selectedslides.tex

 %\input{./frames/stateart}
 %\input{./frames/context_motivations}
 \input{./frames/features}
-%\input{./frames/prediction}
+\input{./frames/prediction}
 %\input{./frames/plateforme}
 %\input{./frames/conclusion}