Florian Côme Fizaine
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Florian Côme Fizaine has a total of 6 co-authors. Here are the top co-authors by number of shared publications:
- Annie Vinter
Université Bourgogne Europe, CNRS, LEAD UMR5022, 21000 Dijon, France
1 shared publication - Cécile Robin
Archives Départementales de Côte d’Or, 21000 Dijon, France
1 shared publication - Edouard Bouyé
Archives Départementales de Côte d’Or, 21000 Dijon, France
1 shared publication - Michel Paindavoine
LEAD UMR CNRS 5022, Université Bourgogne Europe, 21000 Dijon, France
1 shared publication - Patrick Bard
Université Bourgogne Europe, CNRS, LEAD UMR5022, 21000 Dijon, France
1 shared publication - Raphaël Lefèvre
Société Nationale des Chemins de fer Français, 93200 Saint Denis, France
1 shared publication
Latest Publications
- 9 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Transcription de documents historiques avec des algorithmes de Deep Learning
Notre travail de thèse s'inscrit dans le cadre d'un projet de recherche porté par les Archives départementales de la Côte-d'Or, le projet "Lettres en Lumière", qui vise à adapter des algorithmes d'intelligence artificielle à la transcription automatique de documents historiques que ces Archives possèdent. Pour initier le projet, concernant ces documents, le choix s'est porté sur des textes manuscrits du XVIIIe siècle contenus dans les Registres des Délibérations des Etats de Bourgogne.Les approches actuelles les plus compétitives de la transcription automatique de textes manuscrits déroulent le processus en deux étapes : segmentation optimale des lignes du texte, suivie du processus de transcription à proprement dit, durant lequel les caractères vont être déchiffrés pour reconstituer les mots du texte.Après un premier chapitre qui décrit le contexte du projet, nous présentons, dans le deuxième chapitre, notre étude sur la segmentation optimale des lignes de textes. Notre choix de la méthode de segmentation s'est tourné vers deux algorithmes de Deep Learning : Unet et MaskRCNN. Ce choix s'est appuyé sur un état de l'art approfondi des différents algorithmes de segmentation. Nous montrons que MaskRCNN, qui est un algorithme de segmentation d’instances, est le plus performant pour le cas de l’extraction optimisée de lignes de textes anciens manuscrits.Le travail portant sur la transcription de lignes, décrit dans le chapitre trois, nous a conduit à retenir, après une étude approfondie de l’état de l'art, des architectures à base de réseaux de neurones Transformer. Nous montrons que le réseau de neurones Transformer TrOCR, associé à notre algorithme de segmentation de lignes, permet de réaliser des transcriptions avec un taux d'erreur maximal par caractère de 3.4%.Si les résultats présentés dans ces chapitres permettent d’envisager la mise à disposition à court terme d'une plateforme de transcription exploitable par un large public, un problème important apparaît concernant l'utilisation excessive de moyens calculs en lien avec la complexité sous-jacente des algorithmes d'IA. Pour résoudre ce verrou majeur, de nombreux chercheurs en intelligence artificielle mènent des travaux autour de l'IA frugale.Dans ce contexte, nous proposons, dans le chapitre 4, une approche de transcription de lignes de textes à base de réseaux de neurones bio-inspirés. Plus précisément, nous nous appuyons sur des réseaux de neurones impulsionnels ("Spiking Neural Networks" ou SNN) intitulés aussi réseaux de neurones à spikes. Après une étude approfondie sur l’état de l’art de tels réseaux, notre choix s’est orienté vers l’utilisation du réseau de neurones Spikformer que nous avons optimisé pour la transcription de lignes de textes. Nous montrons que notre approche bio-inspirée est bénéfique et prometteuse : taux d'erreur maximal par caractère de 4.2% pour des textes dactylographiés et de 12.7% pour des textes simulant des textes manuscrits. Cette étude est la première dans la littérature à aborder une application aussi complexe pour ce type de réseaux, et elle démontre tout l’intérêt qu’il y a à poursuivre cette voie.
- 9 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Transcription de documents historiques avec des algorithmes de Deep Learning
Notre travail de thèse s'inscrit dans le cadre d'un projet de recherche porté par les Archives départementales de la Côte-d'Or, le projet "Lettres en Lumière", qui vise à adapter des algorithmes d'intelligence artificielle à la transcription automatique de documents historiques que ces Archives possèdent. Pour initier le projet, concernant ces documents, le choix s'est porté sur des textes manuscrits du XVIIIe siècle contenus dans les Registres des Délibérations des Etats de Bourgogne.Les approches actuelles les plus compétitives de la transcription automatique de textes manuscrits déroulent le processus en deux étapes : segmentation optimale des lignes du texte, suivie du processus de transcription à proprement dit, durant lequel les caractères vont être déchiffrés pour reconstituer les mots du texte.Après un premier chapitre qui décrit le contexte du projet, nous présentons, dans le deuxième chapitre, notre étude sur la segmentation optimale des lignes de textes. Notre choix de la méthode de segmentation s'est tourné vers deux algorithmes de Deep Learning : Unet et MaskRCNN. Ce choix s'est appuyé sur un état de l'art approfondi des différents algorithmes de segmentation. Nous montrons que MaskRCNN, qui est un algorithme de segmentation d’instances, est le plus performant pour le cas de l’extraction optimisée de lignes de textes anciens manuscrits.Le travail portant sur la transcription de lignes, décrit dans le chapitre trois, nous a conduit à retenir, après une étude approfondie de l’état de l'art, des architectures à base de réseaux de neurones Transformer. Nous montrons que le réseau de neurones Transformer TrOCR, associé à notre algorithme de segmentation de lignes, permet de réaliser des transcriptions avec un taux d'erreur maximal par caractère de 3.4%.Si les résultats présentés dans ces chapitres permettent d’envisager la mise à disposition à court terme d'une plateforme de transcription exploitable par un large public, un problème important apparaît concernant l'utilisation excessive de moyens calculs en lien avec la complexité sous-jacente des algorithmes d'IA. Pour résoudre ce verrou majeur, de nombreux chercheurs en intelligence artificielle mènent des travaux autour de l'IA frugale.Dans ce contexte, nous proposons, dans le chapitre 4, une approche de transcription de lignes de textes à base de réseaux de neurones bio-inspirés. Plus précisément, nous nous appuyons sur des réseaux de neurones impulsionnels ("Spiking Neural Networks" ou SNN) intitulés aussi réseaux de neurones à spikes. Après une étude approfondie sur l’état de l’art de tels réseaux, notre choix s’est orienté vers l’utilisation du réseau de neurones Spikformer que nous avons optimisé pour la transcription de lignes de textes. Nous montrons que notre approche bio-inspirée est bénéfique et prometteuse : taux d'erreur maximal par caractère de 4.2% pour des textes dactylographiés et de 12.7% pour des textes simulant des textes manuscrits. Cette étude est la première dans la littérature à aborder une application aussi complexe pour ce type de réseaux, et elle démontre tout l’intérêt qu’il y a à poursuivre cette voie.
- Open Access
- 5 March 2024
- Published by MDPI AG in Journal of Imaging
- Vol. 10 (3) , 65
Historical Text Line Segmentation Using Deep Learning Algorithms: Mask-RCNN against U-Net Networks
Text line segmentation is a necessary preliminary step before most text transcription algorithms are applied. The leading deep learning networks used in this context (ARU-Net, dhSegment, and Doc-UFCN) are based on the U-Net architecture. They are efficient, but fall under the same concept, requiring a post-processing step to perform instance (e.g., text line) segmentation. In the present work, we test the advantages of Mask-RCNN, which is designed to perform instance segmentation directly. This work is the first to directly compare Mask-RCNN- and U-Net-based networks on text segmentation of historical documents, showing the superiority of the former over the latter. Three studies were conducted, one comparing these networks on different historical databases, another comparing Mask-RCNN with Doc-UFCN on a private historical database, and a third comparing the handwritten text recognition (HTR) performance of the tested networks. The results showed that Mask-RCNN outperformed ARU-Net, dhSegment, and Doc-UFCN using relevant line segmentation metrics, that performance evaluation should not focus on the raw masks generated by the networks, that a light mask processing is an efficient and simple solution to improve evaluation, and that Mask-RCNN leads to better HTR performance.
- 5 March 2024
- Published by MDPI AG in Journal of Imaging
- Vol. 10 (3) , 65
Open AccessHistorical Text Line Segmentation Using Deep Learning Algorithms: Mask-RCNN against U-Net Networks
Text line segmentation is a necessary preliminary step before most text transcription algorithms are applied. The leading deep learning networks used in this context (ARU-Net, dhSegment, and Doc-UFCN) are based on the U-Net architecture. They are efficient, but fall under the same concept, requiring a post-processing step to perform instance (e.g., text line) segmentation. In the present work, we test the advantages of Mask-RCNN, which is designed to perform instance segmentation directly. This work is the first to directly compare Mask-RCNN- and U-Net-based networks on text segmentation of historical documents, showing the superiority of the former over the latter. Three studies were conducted, one comparing these networks on different historical databases, another comparing Mask-RCNN with Doc-UFCN on a private historical database, and a third comparing the handwritten text recognition (HTR) performance of the tested networks. The results showed that Mask-RCNN outperformed ARU-Net, dhSegment, and Doc-UFCN using relevant line segmentation metrics, that performance evaluation should not focus on the raw masks generated by the networks, that a light mask processing is an efficient and simple solution to improve evaluation, and that Mask-RCNN leads to better HTR performance.