Reconnaissance efficace des chiffres manuscrits à l’aide d’un réseau de neurones convolutif profond

Cet article propose une approche simple basée sur un réseau de neurones pour la reconnaissance de chiffres manuscrits à l’aide de la convolution. Avec des algorithmes d’apprentissage automatique tels que KNN, SVM/SOM, la reconnaissance des chiffres est considérée comme une tâche difficile, voire insoluble, en raison de la grande variabilité des styles d’écriture. Dans cette étude, des réseaux de neurones convolutifs (CNN) sont mis en œuvre sur le jeu de données MNIST comprenant 70 000 chiffres manuscrits, représentant 250 formes distinctes d’écriture. La méthode proposée atteint une précision de 98,51 % pour la prédiction de chiffres manuscrits dans des conditions réelles, avec une perte inférieure à 0,1 % sur l’entraînement effectué sur 60 000 échantillons, tandis que 10 000 échantillons sont utilisés pour la validation.