Abstract FR:

Les reseaux neuronaux permettent de resoudre des problemes de plus en plus difficiles, ce qui necessite la construction de modeles complexes dont la mise au point est delicate. Un moyen de gerer plus facilement ce type de probleme est d'utiliser une architecture modulaire, dans laquelle chaque module doit resoudre une tache simple, ce qui facilite sa mise au point. En ce qui nous concerne, nous avons etudie la modularite dans deux buts precis: la division d'un probleme en sous-problemes moins complexes et l'amelioration des performances d'un classifieur donne. Notre travail se place dans la continuite des travaux de waibel, que nous avons applique a la classification des chiffres manuscrits, et que nous avons etudie dans le detail pour apporter des ameliorations. Cela nous a conduit a un nouveau systeme dans lequel un module est attribue a une seule classe. Les performances du systeme restent excellentes pour une complexite plus faible que celle d'un modele global. Nous avons utilise aussi la modularite pour ameliorer les performances d'un classifieur quelconque en retraitant les caracteres rejetes. Pour cela, nous avons mis au point un systeme dans lequel le classifieur supervise lui meme un ensemble de modules operant des transformations geometriques sur l'image de pixel, avant une nouvelle classification. On augmente ainsi les performances du classifieur, sans compliquer la mise au point