Postal Decision Fusion Based on the Transferable Belief Model
Fusion de Décisions Postales Dans Le Cadre du Modèle des Croyances Transférables
OPEN ACCESS
In order to improve decision-making in automatic recognition of postal addresses,a model for the fusion of postal address recognition systems (or OCR engine,for optical character recognition) based on belief functions theory is exposed.This theoretical framework offers a great flexibility in the representation and combination of the decisions provided by the OCRs,each one being able to provide a complete or a partial postal address.In this article,we describe the chosen frame of discernment,the mass assignment developped from a hierarchical organization of the decisions and the decision-making method.Experimental results show a real improvement of the LAPs’ individual performances.
Résumé
Afin d’améliorer la prise de décision pour la reconnaissance automatique d’adresses postales,un modèle de fusion de décisions de lecteurs d’adresses postales (LAP) basé sur la théorie des fonctions de croyance est exposé. Ce cadre théorique offre une grande flexibilité dans la représentation et la combinaison des décisions fournies par les LAP,chacun pouvant fournir une adresse postale complète ou partielle. Dans cet article,nous détaillons le cadre de discernement choisi,l’affectation des masses basée sur une organisation hiérarchique des décisions,et la méthode de prise de décision adoptée. Les résultats obtenus montrent une réelle amélioration par rapport aux performances individuelles des LAP.
Postal Addresses Fusion,Dempster-Shafer Theory,Transferable Belief Model (TBM),hierarchy of decisions.
Mots clés
Fusion d’adresses postales,Théorie de Dempster-Shafer,Modèle des Croyances Transférables (MCT),Hiérarchie de décisions.
[1] A. APPRIOU, Perspectives liées à la fusion de données, Science et Défense 90, 1990.
[2] B. BENYOUB, Une application industrielle de reconnaissance d’adresses, Colloque National sur l’Écrit et le Document, pages 93100, Nantes, France, Juillet 1996.
[3] I. BLOCH, Fusion d’informations en traitement du signal et des images, Hermès, Paris, France, 2003.
[4] G. DE LEO, M. VICENZI et C. FRANZONE. ELSAG SPA. European patent: Mail recognition method. Number: EP 1 594 077 A2, November 2005.
[5] M.H. DEGROOT, Optimal Statistical decisions, McGraw-Hill, New York, 1970.
[6] T. DENŒUX, Analysis of evidence-theoretic decision rules for pattern classification, Pattern Recognition, 30(7): 1095-1107, 1997.
[7] T. DENŒUX, The cautious rule of combination for belief functions and some extensions, Proceedings of the 9th International Conference on Information Fusion, Florence, Italy, July 2006.
[8] D. DUBOIS et H. PRADE, On several representations of an uncertain body of evidence. Dans M.M. Gupta et E. Sanchez (Eds.), Fuzzy Information and Decision Processes, pages 167-181. North-Holland, 1982.
[9] M. FISHER, Siemens AG. International patent: System and method for smart polling. Number: WO 2005/050545 A1, June 2005.
[10] J. KITTLER, M. HATEF, R.P.W. DUIN, et J. MATAS. On combining classifiers, IEEE Transactions on Pattern Analysis and Machine Intelligence, 20(3): 226-239, March 1998.
[11] L. LAM et C.Y. SUEN, Application of majority voting to pattern recognition: An analysis of its behaviour and performance, IEEE Transactions on systems, Man and Cybernetics, 27: 553-568, 1997. [12] D. MERCIER, T. DENŒUX et M. MASSON, General correction mechanisms for weakening or reinforcing belief functions. Proceedings of the 9th International Conference on Information Fusion, FUSION’2006, Florence, Italie, paper 146, July 10-14 2006.
[13] D. MERCIER, B. QUOST, et T. DENŒUX, Contextual discounting of belief functions. Dans Lluis Godo (Eds.), Proceedings of the 8th European Conference on Symbolic and Quantitative Approaches to Reasoning with Uncertainty (ECSQARU 2005), pages 552-562, Barcelona, Spain, July 6-8 2005. Springer Verlag.
[14] L.J. SAVAGE, The Foundations of Statistics, Wiley, New York, 1954.
[15] G. SHAFER, A mathematical theory of evidence, Princeton University Press, Princeton, N.J., 1976.
[16] Ph. SMETS, The nature of the unnormalized beliefs encountered in the transferable belief model. Dans B. D’Ambrosio D. Dubois, M. P.Wellman et Ph. Smets (Eds.), Proceedings of the 8th Conference on Uncertainty in Artificial Intelligence, pages 292-297, San Mateo, CA, 1992.
[17] Ph. SMETS,Belief functions:the disjunctive rule of combination and the generalized Bayesian theorem, International Journal of Approximate Reasoning, 9: 1-35, 1993.
[18] Ph. SMETS, What is Dempster-Shafer’s model ? Dans R. R. Yager, J. Kacprzyk, et M. Fedrizzi (Eds.), Advances in the Dempster-Shafer theory of evidence, pages 5-34. Wiley, New-York, 1994. [19] Ph. SMETS, The Transferable Belief Model for quantified belief representation, Dans D. M. Gabbay et Ph. Smets (Eds.), Handbook of Defeasible Reasoning and Uncertainty Management Systems, volume1, pages 267-301. Kluwer Academic Publishers, Dordrecht, The Netherlands, 1998.
[20] Ph. SMETS, Data fusion in the transferable belief model, Proceedings of the 3rd International Conference on Information Fusion, FUSION 2000, pages PS21-33, Paris, France, 2000.
[21] Ph. SMETS, Decision making in the TBM: the necessity of the pignistic transformation, International Journal of Approximate Reasoning, 38(2): 133-147, 2005.
[22] Ph. SMETS, Analyzing the combination of conflicting belief functions, Disponible en ligne http ://iridia.ulb.ac.be/ psmets/Combi Confl.pdf. À paraître dans Information Fusion, 2006.
[23] Ph. SMETSet R. KENNES,The Transferable Belief Model,Artificial Intelligence, 66: 191-243, 1994.
[24] Traitement du signal (Eds.), Numéro special: Fusion de données, Traitement du signal, 14(5), 1997.
[25] L. XU,A. KRZYZAKet C.Y. SUEN,Methods of combining multiple classifiers and their applications to handwriting recognition, IEEE Transactions on Systems, Man and Cybernetics, 22(3): 418-435, 1992.