La dernière mission de l’Institut de Recherche et d’Histoire des Textes pour explorer les manuscrits médiévaux de la bibliothèque d’agglomération du Pays de Saint-Omer a, comme les précédentes, apporté son lot d’heureuses découvertes.
Par exemple, nous avons pu affiner l’identification de l’usage liturgique et l’emploi spécifique de deux manuscrits pour la collégiale (aujourd’hui cathédrale) de Saint-Omer.
Le ms. 699 lectionnaire que le catalogue de Michelant (donc le CGM) datait du XIVe siècle est en fait du XIIIe siècle et porte les traces de l’évolution de la liturgie audomaroise. Si Duchet, dans ses Additions et corrections, a bien noté plusieurs des fêtes, dont celle d’Erkembode d’intérêt très local, il ne signale pas qu’il y a une partie primitive (sanctoral commençant à la fête de saint Omer, puis temporal, puis commun) et des ajouts, en particulier celui de la Fête-Dieu (instituée à partir de 1264). En outre, les feuillets de garde sont remplis de noms, qu’il nous reste à identifier, pour certains, mais qui sont très vraisemblablement des chanoines.
Le ms. 258 , catalogué par Michelant (donc le CGM) comme un Ordo ad visitandum et ungendum infirmum anonyme, est correctement muni d’une provenance de la cathédrale de Saint-Omer par les Additions et corrections de Duchet. L’étude des litanies montre néanmoins que ce n’est pas seulement une provenance, mais assurément une origine ! En effet, on y trouve “Sancte Audomare” (saint Omer) deux fois au début de la liste et “Sancte Bertine” à la fin (f. 11r-v). Il est donc certainement destiné à l’usage de la collégiale (aujourd’hui cathédrale) Notre-Dame de Saint-Omer et produit dans la région. Il n’est d’ailleurs pas certain que ce soit un fragment d’un plus grand ensemble. En effet, il peut parfaitement s’agir d’un livret d’usage pratique pour un prêtre amené à visiter les malades de la ville, hommes et femmes (toutes les formules sont indiquées aux deux genres). Sa date peut être précisée au troisième quart du XVe siècle.
Outre des fragments en onciale que nous avions déjà vus la dernière fois dans le ms. 437 (numérisé dans la BVMM), mais que nous avons réexaminés, nous pouvons signaler aussi deux manuscrits où nous avons vu des fragments en écriture caroline. Jacob Currie a déjà twitté sa découverte dans le ms. 883. Grâce à l’habileté de Remy Cordonner, les talons dans la reliure ont été immédiatement dégagés et révèlent le début du commentaire de saint Jérôme sur Michée.
Dans la magnifique salle de lecture de la Bibliothèque d’agglomération du pays de Saint-Omer, Remy Cordonnier, responsable du fonds ancien, présente le manuscrit 883 avec le fragment dégagé de la contregarde supérieure du volume.
On signalera aussi notre découverte de fragments dans le ms. 356. Pour l’instant non identifiés, mais nous sommes preneurs de suggestions !
Saint-Omer, Bibliothèque d’agglomération du Pays de Saint-Omer, ms. 356, plat sup., recto
Saint-Omer, Bibliothèque d’agglomération du Pays de Saint-Omer, ms. 356, plat inf., verso, détail
Saint-Omer, Bibliothèque d’agglomération du Pays de Saint-Omer, ms. 356, plat inf., verso
Saint-Omer, Bibliothèque d’agglomération du Pays de Saint-Omer, ms. 356, plat inf., recto
Saint-Omer, Bibliothèque d’agglomération du Pays de Saint-Omer, ms. 356, plat sup., verso
Saint-Omer, Bibliothèque d’agglomération du Pays de Saint-Omer, ms. 356, plat sup.
Au cours de mon étude sur la transmission des textes chez les Cisterciens, je collationne (partiellement) plusieurs manuscrits de Papias, dont l’un provenant de Clairvaux, le ms. Montpellier, Bibliothèque interuniversitaire de Médecine, H 109 (catalogue de Pierre de Virey, S 59). L’ex-libris de Clairvaux se voit d’ailleurs dès le premier feuillet
Montpellier, BIUM, H109, fol. 1rEx-libris de l’abbaye de Clairvaux : “Liber sancte Marie Clarevallis” (Montpellier, BIUM, H109, fol. 1r, détail)
L’écriture du Moyen Âge : un objet sous le regard croisé des Humanités et des Sciences de l’ingénieur
Comprendre les écritures dans une approche transdisciplinaire
Le projet ORIFLAMMS (Ontology Research, Image Features, Letterform Analysis on Multilingual Medieval Scripts) a rassemblé trois laboratoires SHS, trois laboratoires STIC et une société industrielle pour étudier les écritures du Moyen Âge et le multilinguisme médiéval dans une approche interdisciplinaire et novatrice.
À la rencontre d’enjeux épistémologiques, scientifiques, technologiques, industriels et sociétaux, ORIFLAMMS analyse l’évolution des systèmes et formes graphiques des écritures d’un temps long (le Moyen Âge) selon leur contexte de production (écritures usuelles, diplomatiques ou livresques) et leur langue (latin ou vernaculaire). Il établit un Corpus de référence, une ontologie des formes et une analyse des structures graphiques des écritures pour passer d’une approche linéaire (textuelle) à une approche visuelle pour répondre aux interrogations des linguistes, historiens des écritures (paléographes, diplomatistes et épigraphistes) et chercheurs industriels en reconnaissance des formes. Il développe à cette fin des outils d’analyse d’image innovants et open source pour l’analyse graphique et l’analyse textuelle.
Il doit permettre aux historiens et linguistes de comprendre les évolutions de l’écriture dans l’environnement multilingue du Moyen Âge ; offrir à l’industrie des technologies nouvelles pour l’analyse des écritures manuscrites et leur utilisation dans un contexte numérique. À l’avenir, il pourra aussi enrichir l’approche des processus scripturaux des anthropologues, pédagogues et neurocognitivistes.
Élaboration de corpus, intelligence artificielle, vision par ordinateur et expertise humaine
L’étude des écritures du Moyen Âge selon leurs différents contextes et langues s’est fondée sur une association étroite entre les différents acteurs.
Un premier volet consistait en l’élaboration d’un Corpus de référence qui dépasse en taille et en diversité, tous ceux utilisés jusqu’à présent et qui couvre diverses situations d’écritures au Moyen Âge : plus de 250 inscriptions en latin et en français, de 100 chartes et documents, près de 200 pages de livres latins, 130 pages d’un manuscrit français (Queste del saint Graal), et 400 pages de registres de chancellerie.
Un deuxième volet consistait à développer des outils pour « aligner », c’est-à-dire associer de façon fine le texte et l’image, afin de permettre une étude conjointe du texte et de l’image du texte avec ses phénomènes graphiques (abréviations, jeux de lettres, présence de majuscules ou de ponctuation). Pour ce faire, deux méthodes ont été mises en œuvre. La première méthode proposait une analyse de l’image sans apprentissage préalable (« learning free ») en reposant sur un code d’analyse des caractères écrits ; elle a été intégrée dans un logiciel open source publié par le consortium du projet. La deuxième méthode se fonde sur de l’intelligence artificielle. Dans cette deuxième méthode, on dit à la machine quelles sont les pages et quel est le texte et elle apprend, toute seule ou presque, comment lire et associer les différents pixels à des lettres.
Enfin, le troisième volet comprenait la validation et l’analyse des résultats des machines par les « humains », à la fois pour identifier les forces et faiblesses des logiciels utilisés et pour alimenter l’expertise historique.
Résultats majeurs
Les résultats obtenus se répartissent en six catégories : (1°) Corpus de référence ; (2°) Définition du format ; (3°) Livrables logiciels ; (4°) Alignements texte-image ; (5°) Analyse paléographique (SHS/STIC) ; (6°) Réflexion sur l’interdisciplinarité.
Le Corpus de référence dépasse en taille et en diversité les données utilisées jusqu’ici et a été publié dans un format interopérable qui pourra être utilisé à l’avenir par des chercheurs de tous horizons (https://github.com/oriflamms). Les partenaires ont amélioré des logiciels qui existaient déjà, mais ils ont aussi publié un logiciel open source (https://github.com/Liris-Pleiad/oriflamms) qui pourra être intégré par des grandes bibliothèques numériques. Les alignements texte-image réalisés par l’intelligence artificielle sont les meilleurs actuellement publiés et permettront à d’autres chercheurs d’entraîner leurs machines pour aller plus rapidement vers une lecture assistée par ordinateur. Au cours de ce projet, ces alignements ont déjà permis de grandes avancées dans l’analyse des différentes formes de lettres au cours du temps, tout en enrichissant la réflexion sur la recherche transdisciplinaire, tant à l’intérieur du consortium du projet que lors de l’organisation de séminaires internationaux, qui ont mis à jour, de façon nouvelle, des éléments cruciaux, tels qu’une correcte identification des partenaires, de leurs rôles, de leur degré d’expertise, et des processus de construction de la confiance.
Production scientifique
Le projet ORIFLAMMS a développé une production scientifique dans les différents champs où il était actif. Dans le champ épigraphique et paléographique, les principes mêmes du projet ont fait l’objet de publications, mettant dans une perspective nouvelle le phénomène de « canonisation » de l’écriture et l’importance de la variabilité comme critère d’analyse de l’histoire de l’écriture. L’étude de l’espace entre les mots a permis des recherches multi-auteurs à la croisée entre linguistique et paléographie. En analyse d’images, plusieurs articles ont montré les avancées faites pour l’alignement texte-image tant sans apprentissage qu’avec intelligence artificielle. Enfin des publications ont porté sur le travail transdisciplinaire et ses fruits pour les communautés concernées.
Illustration
Capture d’écran du logiciel oriflamms.exe
Informations factuelles
Le projet Oriflamms est un projet de recherche fondamentale, lié à un développement expérimental, coordonné par l’Institut de Recherche et d’Histoire des Textes (CNRS, UPR 841). Il associe aussi une entreprise industrielle A2iA, ainsi que des laboratoires en Sciences humaines (ICAR, CESCM, Centre Jean Mabillon) et en Sciences de l’Ingénieur (LIPADE, LIRIS). Le projet a commencé en février 2013 et a duré 42 mois. Il a bénéficié d’une aide ANR de 241 000 € pour un coût global de l’ordre de 750 000 €.
Medieval scripts: a Research field for the Humanities and Computer Science
Understanding medieval scripts in a cross-disciplinary approach
The ORIFLAMMS (Ontology Research, Image Features, Letterform Analysis on Multilingual Medieval Scripts) research project gathered three research teams in the Humanities, three labs in Computer Science as well as a private company to analyze the medieval scripts and the medieval multilingualism.
ORIFLAMMS addresses a broad range of issues, ranging from epistemology and science to technology, industry and society, through the analysis of writing systems, their evolution in the long period of the Middle Ages, and their variation according to the production context (daily-life writings, diplomatic and book scripts) and language. It also establishes a Reference corpus, a formal ontology of character forms, and a new way of analyzing graphic structures of scripts in order to move from a linear-textual approach to a visual one. This will, in turn, allow new research results for linguists, historians and industry researchers in computer vision. The large scope of this project give new clues to understand the evolution of scripts in a multilingual environment and to develop technologies to analyze handwritten texts. The deliverables can also be used by anthropologists, pedagogy and neuroscience researchers to enhance their understandings of scriptural processes.
Corpus, artificial intelligence, computer vision and human expertise.
The research on medieval scripts and their variation according to context and language required a profound collaboration between the different partners.
Firstly, they established a Reference corpus, which is larger and more diverse than the actual standard ones. It represents the different writing situations in the Middle Age: more than 250 French and Latin inscriptions; 100 charters and documents; ca. 200 pages of Latin manuscripts; 130 pages of the French Queste del saint Graal and 400 pages of Chancery registers.
Secondly, they developed new tools to perform the “text-image alignment”, i.e. associate the text and its coordinates on an image at a fine level of granularity so as to allow a joint analysis of the text and its graphical appearance (abbreviations, interlaced letters, capitalization, punctuation). Two different methods were implemented. The first one consists in the coding of written characters and a learning-free image analysis; it is implemented in the open source software that the project consortium published. The second one is based on artificial intelligence and machine learning: given the page images and the text, the machine learns how to read and associate the pixels to letters.
Thirdly, the human experts validated and analyzed the results provided by automated processes, in order to measure the accuracy of machines and nourish the historical study.
Main outputs
The Oriflamms project produced six sorts of outputs: (1) Reference corpus; (2) Format specification; (3) Software; (4) Text-image alignments; (5) Palaeographical analysis (Humanities/Computer Science); (6) Cross-disciplinary methodology.
The Reference corpus outmatches the actual standard corpuses by its size and its diversity. It is published under an interoperable format (https://github.com/oriflamms). The involved teams enhanced already existing software, but also published an open source software (https://github.com/Liris-Pleiad/oriflamms), which larger digital libraries may now integrate in their infrastructure. The alignments provided by the artificial intelligence mechanisms are the best ones actually published and provide the ground-truth to train new machines and progress towards handwritten text recognition for medieval scripts. During this research project, the alignments already allowed for new insights in the analysis of letter shapes and their evolution. At the same time, the different teams reflected on their experiences of cross-disciplinary works and organized international seminars which identified crucial factors for a successful partnership (identifying and defining the roles of partners, assessing their expertise, trust building mechanisms).
Scientific outputs
The researchers involved in the ORIFLAMMS project produced scientific outputs in all fields covered by the research project. In epigraphy and palaeography, the core principles of the research were explained by several publications to put in a new perspective the “canonization” process and the variability of script as a major factor to analyze the history of scripts. The study of word spacing was performed and published in multi-authors articles at the crossroads of linguistics and palaeography. In Image analysis, several papers have demonstrated the new advances in text-image alignment (learning free as well as with artificial intelligence). Several research papers give our conclusions on the methodology of cross-disciplinary research and its outcomes in the respective communities.
Facts and figures
The research project Oriflamms is a fundamental research, linked to an experimental software development. It is led by the Institut de Recherche et d’Histoire des Textes (CNRS, UPR 841). It gathers a industrial company A2iA as well as public research labs in the Humanities (ICAR, CESCM, Centre Jean Mabillon) and in Computer science (LIPADE, LIRIS). The project started in February 2013 for a 42-months duration. It received a 241 000 € funding from the ANR, for a global cost of around 750 000 €.
A l’occasion d’un workshop organisé par Daniel Stoekl et Marcus Liwicki, nous avons le grand plaisir de mettre en ligne un premier corpus, comprenant une image avec le texte aligné et la classification de quelques allographes.
A télécharger ici : https://icloud.irht.cnrs.fr/owncloud/index.php/s/zxn2mtQMIbmdq4h
Amusez-vous bien !
Ce document est la publication du format XML-TEI utilisé pour l’alignement texte-image et l’annotation des formes par le logiciel Oriflamms.exe . La présente spécification décrit les bonnes pratiques pour l’emploi balises TEI en vue de l’alignement texte image et dans l’annotation des caractères du projet Oriflamms.
Ce document est la publication du format XML-TEI utilisé pour l’alignement texte-image et l’annotation des formes par le logiciel Oriflamms.exe . La présente spécification décrit l’arborescence des fichiers.
L’International Medieval Congress 2016 de Leeds va vers sa fin. De nombreuses communications de grande qualité ont déjà été prononcées dans des sessions toujours plus nombreuses où il est de plus en plus difficile de choisir.
Parmi les “strands” ou sessions auxquels j’ai assistés et liés, voici ceux portant sur les manuscrits, à la paléographie et au numérique (Guiding the Mind of the Beholder: The Materiality of Medieval Texts as Determinant of Its Meaning and Use, sessions 109, 209, 309 ; Digital Methods round table 432, sessions 531, 631, 731 ; The Reception and Evolution of Caroline Minuscule in the Iberian Peninsula 1109, 1209, 1309 ; Stylus as a Paint Brush: Writing and Artistic Creation 1511, 1611) et il m’a été impossible de me rendre à la session de Ben Albritton (1631).
De mon côté, j’ai montré pour Oriflamms comment notre logiciel permet de mesurer objectivement les espaces entre les lettres et entre les mots. En validant la méthode de Paul Saenger (1997) pour évaluer une unité d’espace, je propose de la rapporter à la longueur moyenne d’un caractère (un espace peut être perçu à partir de 2/5e de caractère et il devient clair à 1/2 caractère de longueur). Les espaces varient selon la nature grammaticale des mots et permettent de mettre en lumière une conscience linguistique chez les scripteurs médiévaux.
Au cours de la communication “Le manuscrit Yale, Beinecke Library, MS 625 est-il grand?” de mon collègue Renaud Alexandre de l’IRHT, j’ai pu voir les dimensions de 35000 manuscrits projetés sur une même diapositive. Pour cela, il a utilisé le dump de la Schoenberg database. Cela lui permet de voir, époque par époque, la distribution des dimensions des manuscrits et d’évaluer la grandeur relative d’un livre par époque. Et là, miracle pour moi : j’ai vu la confirmation de ce que j’écrivais en 2002 dans ma thèse des Chartes. Pour l’ensemble du Moyen Âge, il est inutile de classer les manuscrits selon leur “proportion” par rapport à la “proportion invariante (0,707)” comme fait dans les ouvrages fondamentaux de la codicologie quantitative. En effet, la courbe de tendance des dimensions est une droite, mais qui ne passe pas par zéro !
Voici l’extrait concerné de ma thèse de 2002 :
1.1.1.1. Proportion (Largeur / Hauteur)
Après avoir étudié la taille et la hauteur, il nous faut prendre en considération les rapports des différentes mesures du feuillet, en particulier la largeur et la hauteur. Premier rectangle qui s’offre à l’étude, le feuillet lui-même pourrait porter les « rapports non arbitraires » ou « remarquables » de Tschichold et Gilissen, et manifester des proportions idéales utilisées pour la construction et la mise en page des manuscrits[1]. Exception faite de la proportion invariante de 0,707 utilisée de nos jours pour fabriquer le papier en Europe, tout pliage entraîne un changement de proportion. Selon les formats matériels et les jugements esthétiques des artisans du livre, la proportion peut prendre des valeurs variées.
Pour le scriptorium de Fontenay, le graphique ci-dessous montre une courbe de proportion fortement erratique. De prime abord, il n’apparaît aucune corrélation manifeste entre la taille des manuscrits et la proportion des feuillets. Le graphique représentant le groupe des manuscrits du xiie siècle ne fait pas plus apparaître d’homogénéité que le graphique ci-dessus représentant l’ensemble des manuscrits conservés de la bibliothèque.
Néanmoins, il ne faut pas se laisser abuser par cette apparence de répartition arbitraire. En effet, la comparaison des livres produits à Fontenay avec le corpus étudié par F. Bischoff présente un intérêt majeur, en mettant en lumière des différences sensibles dans la répartition des proportions[2].
Proportion (largeur / hauteur)
Corpus de F. Bischoff
Scriptorium de Fontenay
< 0,66
—
3 mss = 5,4 %
0,66-0,68
10 mss = 12,7 %
9 mss = 16,1 %
0,69-0,71
12 mss = 15,2 %
23 mss = 41,1 %
0,72-0,74
31 mss = 39,2 %
20 mss = 35,7 %
0,75-0,77
15 mss = 19 %
1 ms = 1,8 %
0,78-0,80
7 mss = 8,9 %
—
0,81-0,83
2 mss = 2,5 %
—
0,84-0,86
1 ms = 1,3 %
—
0,87-0,89
1 ms = 1,3 %
—
Total
79 mss = 100 %
56 mss = 100 %
La confrontation des deux corpus permet de tirer une conclusion : ce que l’on interprétait dans le cas de Fontenay comme une courbe erratique ne semblait si peu régulier qu’en raison d’une trop courte vue et de la loupe posée sur un ensemble restreint de manuscrits. Au regard des données présentées dans le tableau ci-dessus, la répartion observable à Fontenay est beaucoup plus resserrée et homogène. Cette comparaison permet de révéler une norme et des pratiques cohérentes dans la production du scriptorium de Fontenay : presque 77 % des livres qui y sont copiés ont une proportion comprise entre 0,69 et 0,74, c’est-à-dire proche de la proportion invariante.
En élargissant encore le champ d’analyse et en confrontant la répartition des proportions avec la taille, il apparaît que le scriptorium de Fontenay inverse complètement les évolutions constatées par E. Ornato pour l’ensemble des manuscrits du xiie siècle et présentées dans le premier graphique ci-dessous[3]. Le profil général montre en effet que les livres avec une proportion inférieure à 0,707 ont presque tous une taille inférieure à 632 mm ; deux forts contingents se trouvant entre les tailles de 382 à 407 mm, puis entre les tailles de 507 à 607 mm. Les livres avec une proportion supérieure à 0,707 voient leur nombre croître progressivement jusqu’à la taille de 632 mm.
E. Ornato, C. Bozzolo, Pour une histoire du livre manuscrit au moyen âge : trois essais de codicologie quantitative, Paris : Ed. du c.n.r.s., 1980-1983, t. I, p. 339, graphique F’
Les livres écrits dans le scriptorium de Fontenay présentent une répartition bien distincte, avec une inversion des évolutions décrites ci-dessus. Les manuscrits de petite taille ne sont pas représentés, alors que ceux de proportion supérieure à 0,707 sont nombreux jusqu’à une taille de 601-625 mm, avec un pic important entre 550 et 625 mm. Les volumes avec une proportion inférieure à 0,707 ont une population en croissance et culminent pour les tailles de 601-650 mm. Le phénomène le plus étonnant est la présence de manuscrits d’une proportion inférieure à 0,707 dans les grandes tailles, ainsi que le montre le graphique ci-dessous.
L’inversion du profil général est, comme la comparaison précédente, d’autant plus intéressante qu’elle met en lumière une singularité, qui, face aux chiffres généraux n’apparaît non plus erratique, mais relevant d’une autre organisation. Les fondements de celle-ci doivent être recherchés dans les canons de la production monastique bourguignonne. Proportion et variance diffèrent d’un scriptorium à l’autre[4]. L’on constate certes une uniformisation des pratiques au xiie siècle dans toute la France du Nord, avec une proportion inférieure en moyenne à 0,707 et une variance très faible, des différences nettes demeurent néanmoins entre les différents scriptoria. À Clairvaux, par exemple, la proportion moyenne est de 0,697 (avec une variance très faible de 0,00083) et, à Cîteaux, la proportion moyenne est de 0,703 (avec une variance de 0,00088)[5]. L’ensemble des livres produits par le scriptorium de Fontenay a une proportion moyenne de 0,704, avec une variance de 0,00075[6]. Ces résultats prouvent à la fois que la proportion n’est pas une norme absolue et qu’elle varie, mais que les variations sont limitées. Plus encore que pour la taille et la hauteur, où l’on constate les effets des contraintes matérielles, mais où le choix esthétique de confectionner des volumes de grand format s’impose, l’étude de la proportion des feuillets montre que le scriptorium de Fontenay a des pratiques homogènes, qui s’insèrent de surcroît dans un contexte esthétique cistercien et place Fontenay dans la mouvance de Cîteaux.
1.1.1.2. Hauteur et largeur : une autre approche
Si, au regard de la démonstration précédente, la proportion n’apparaît pas un fait arbitraire, mais le résultat d’une pratique. Nous désirons envisager une autre approche du rapport entre hauteur et largeur. La codicologie quantitative travaille avec la proportion : ainsi en est-il J. P. Gumbert, dans les Mélanges Hellinga[7] ou de G. Guerrini à propos des manuscrits de Pétrarque[8]. J. P. Gumbert affirme, pour commenter sa figure 1 où l’on voit disposés les hauteurs et les largeurs des manuscrits :
« The first diagram shows the sizes of 390 MSS. : 227 from the 8th to the 12th century, 163 from the 13th. […] The most striking aspect of this diagram is, that the MSS. are aligned so nicely along a straight line, and that this line virtually coincides with the line corresponding to the famous proportion a√2 […] It is not a matter of course for books to have this proportion ».
Ces deux études codicologiques observent la proportion, qui est le rapport le plus évident, et s’en contentent. Pourtant l’étude à nouveaux frais de leurs planches nous conduit à proposer une nouvelle méthode d’approche, qui ne serait pas obnubilée par les proportions nettes et simples, en particulier par la proportion normalisée et invariante du papier européen. Les deux graphiques de Gumbert et Guerrini montrent une répartition qui se modélise par une fonction affine de type y=ax+b. Ci-après, nous ajoutons à leur planche respective, les droites représentant les deux fonctions affines suivantes :
hauteur (en cm) = 5 + 1,25 x largeur (en cm)
hauteur (en cm) = 4 + 1,21 x largeur (en cm)
Ces deux fonctions semblent en effet mieux correspondre à la répartition des hauteur et largeur des manuscrits étudiés, la première par J. P. Gumbert, la seconde par G. Guerrini.
C’est sous cet angle que nous reprenons l’étude des livres produits par le scriptorium de Fontenay. L’approche géométrique présente l’avantage de sa plus grande simplicité et permet de voir la signification des rapports entre hauteur et largeur.
Le graphique permet de définir le rapport suivant comme base de la confection de livres à Fontenay :
hauteur (en cm) = 4 + 1,24 x largeur (en cm)
Le coefficient directeur est proche de celui obtenu par Gumbert pour une étude portant sur un large corpus de manuscrits antérieurs au xiiie siècle ; il diffère en revanche sensiblement de celui obtenu pour les manuscrits de Trionfi. Cette approche par fonction affine n’est pas incompatible avec les études sur la proportion, dont les résultats restent valables. Elle confirme notamment la spécificité des esthétiques des différents scriptoria, en montrant l’existence de différences bien réelles. Il n’en demeure pas moins qu’il faut nuancer l’importance de la proportion comme critère d’analyse des rapports entre hauteur et largeur dans l’étude des dimensions des feuillets pour les livres manuscrits du Moyen Âge. Il faudrait en effet préférer l’observation de la fonction affine qui rend mieux compte de la façon dont le parchemin, une fois sa surface préparée, est disposé pour recevoir l’écriture.
[1] L. Gilissen, Prolégomènes à la codicologie : recherches sur la construction des cahiers et la mise en page des manuscrits médiévaux, Gand, 1977
[2] Bischoff et Maniaci, « Pergamentgröße – Handschriftenformate – Lagenkonstruktion. Anmerkungen zur Methodik und zu den Ergebnissen der jüngeren kodikilogischen Forschung » p. 293, fig. 6
[3] Ornato et Bozzolo, Pour une histoire du livre manuscrit au moyen âge : trois essais de codicologie quantitative, t. I, p. 339, graphique F’.
[4]Ibid., t. I, p. 300-303. Cette différence est, par exemple, très sensible au XIe siècle quand les scriptoria de l’Est restent plus fidèles aux proportions carolingiennes et que les scriptoria parisiens préfèrent tôt des manuscrits plus étroits.
[5]Ibid., t. I, p. 304, tableau XVI. Les proportions et variances respectives sont les suivantes : Clairmarais, 0,719 et 0,00083 ; Saint-Amand 0,677 et 0,00065 ; Vauclair 0,693 et 0,00072 ; Belval 0,675 et 0,00107 ; Signy 0,692 et 0,00108, Saint-Thierry de Reims 0,682 et 0,00150 ; Saint-Remi de Reims 00,683 et 0,00063 ; Clairvaux 0,697 et 0,00083 ; Cîteaux 0,703 et 0,00088}. Il est malheureusement difficile de savoir sur quoi se fondent exactement ces statistiques.
[6] Si l’on calcule la proportion moyenne sur tous les manuscrits du xiie siècles provenant de la bibliothèque de Fontenay, celle-ci est de 0,7017, c’est-à-dire à peu près à mi-chemin entre Clairvaux et Cîteaux. Cette différence montre la spécificité de la production fontenaisienne même par rapport aux modèles dont le scriptorium pouvait disposer.
[7] J. P. Gumbert, « The sizes of manuscripts. Some statistics and notes », dans Anthony R. A. Croiset Van Uchelen (éd.), Hellinga Festschrift / Feestbundel / Mélanges. Forty-three studies in bibliography presented to Prof. Dr. Wytze Hellinga on the occasion of his retirement from the chair of neophilology in the University of Amsterdam at the end of the year 1978, Amsterdam, 1980, p. 277-288, p. 278.
Le logiciel d’alignement texte-image Oriflamms.exe, issu des travaux de l’ANR-12-CORP-0010, vient d’être publié. Le code source se trouve sur GitHub [https://github.com/Liris-Pleiad/oriflamms/]. L’exécutable version Windows et version Linux ainsi que les corpus alignés seront publiés dans les mois qui viennent sur le site de l’IRHT et les sites associés du projet.
Oriflamms.exe on GitHub
Avec la version 0.6.3, nous sommes parvenus à un stade dont nous sommes fiers ! Outre de petites améliorations apportées progressivement (création de lignes, ordre des menus, etc.), c’est surtout l’ensemble des fonctionnalités prévues au départ qui sont maintenant intégrées, soit directement dans le logiciel, soit grâce à la symbiose avec les développements du logiciel TXM développé à l’ENS de Lyon.
transformation d’une édition de texte en un corpus alignable (TXM)
alignement texte-image (mots): le logiciel Oriflamms.exe permet l’alignement d’une édition au format XML de la Text Encoding Initiative (TEI) avec les images des manuscrits au niveau des mots.
alignement texte-image (caractères): le logiciel Oriflamms.exe permet également l’alignement au niveau des caractères.
validation et correction de l’alignement
visualisation de l’ensemble des occurrences d’un même caractère
visualisation des occurrences d’une chaîne de caractères
calcul des longueurs et surfaces des blancs entre les mots
calcul des longueurs et surfaces des blancs entre les caractères
classification automatique des occurrences d’un même caractère
annotation des occurrences d’un caractère
calculs paléographiques sur les abréviations et les formes de caractères (TXM)
Texte aligné au niveau des mots (Le Mans, Bibl. mun., ms. 157)
Occurrences du mot “sicut” visualisées dans le logiciel Oriflamms.exe
Classification des caractères : cluster proposé automatiquement pour rassembler plusieurs occurrences de la lettre “m”
La perception, l’analyse et l’encodage des abréviations est un sujet complexe, sur lequel le projet Oriflamms a déjà permis de se consacrer (cf. D. Stutzmann, « Ontologie des formes et encodage des textes manuscrits médiévaux. Le projet ORIFLAMMS », Document numérique, 16/3, 2013, p. 81-95, aux pages 86-89, accessible en ligne : https://www.cairn.info/resume.php?ID_ARTICLE=DN_163_0081).
Pour faire avancer la discussion de façon concrète, nous publions ici la liste des abréviations que nous utilisons actuellement dans les projets Oriflamms, ECMEN et HIMANIS.
Cette liste d’abréviations latines essaie de considérer systématiquement la forme la plus brève d’encodage et la plus économique par rapport au système abréviatif latin, de façon à minimiser le nombre d’abréviations différentes, représentées par une entité. Ainsi on trouvera “dn-tilde-domin” utilisable pour “domini” ou “domino”.
Le document ci-dessous s’utilise en l’enregistrant comme un fichier .dtd.
Attention : c’est un ensemble qui est encore amené à évoluer. Toutes remarques, critiques et sugggestions seront les bienvenues.
Cette base d’image et de texte permet de mesurer la précision de l’alignement texte-image et la précision de la reconnaissance d’écriture manuscrite. Elle contient en effet la transcription et des coordonnées pour le ms. St. Gallen, Stiftsbibliothek, Cod. Sang. 562 – Vitae sancti Galli et Otmari (http://www.e-codices.unifr.ch/fr/list/one/csg/0562) .
Sur ce corpus, voir :
A. Fischer, V. Frinken, A. Fornés, and H. Bunke: “Transcription Alignment of Latin Manuscripts using Hidden Markov Models,” in Proc. 1st Int. Workshop on Historical Document Imaging and Processing, pages 29-36, 2011.
En effet Jihad El-Sana a mesuré sa performance sur cette base et les comparaisons n’étaient pas possibles.
C’est là que les ennuis commencent pour les Humanistes…
Le format est tout d’abord un peu exotique… euh non, en fait, franchement exotique ! Bon, pour le texte, c’est du “texte plein” (.txt), c’est bien, c’est pratique. Mais quand on regarde, le document “transcription.txt”, on voit, pour les deux premières lignes, ceci : csg562-003-01 v-e-r-s-a-t-i-o|p-e-r|o-m-n-e-m|h-i-b-e-r-n-i-a-m|c-e-l-e-b-r-i-s|h-a-b-e-r-e-t-u-r-pt|et|v-e-l-u-t-i|s-p-l-e-n conversatio|per|omnem|hiberniam|celebris|haberetur|et|veluti|BREAK
csg562-003-02 d-i-d-u-m|i-g-n-e-i|s-o-l-i-s|i-u-b-a-r|s-i-n-g-u-l-a-r-i|d-e-c-o-r-e|o-m-n-i-u-m|i-n|s-e|p-r-o-v-o-c-a splendidum|ignei|solis|iubar|singulari|decore|omnium|in|se|BREAK
Donc on a, pour une ligne :
un identifiant de ligne, constitué par la cote abrégée du manuscrit “csg562" un tiret -, le numéro du feuillet, un tiret, le numéro de la ligne ;
l’ensemble des mots transcrits lettre à lettre: chaque lettre est séparée de la suivante par un tiret ; les mots sont séparés par un pipe “|” ; la perluette est, par exception, transcrite “et” sans tiret ; si la fin de ligne interrompt un mot, ses lettres isolées sont transcrites de la même façon ;
un espace blanc ;
le même ensemble de mots transcrits mot par mot : les abréviations sont résolues silencieusement ; les mots sont séparés par un pipe “|” ; la perluette est transcrite “et” (sans tiret) ; si la fin de ligne interrompt un mot, il n’est pas transcrit, mais remplacé par “|BREAK” et le début du mot est écrit en début de ligne suivante dans la deuxième série de transcription.
Quelques heures plus tard, à manier expressions régulières, j’arrive à un document TEI parfaitement formé et valide, après avoir inséré chaque mot dans un élément <w>, doté d’attributs @n et @rend pour séparer les deux transcriptions successives . Quelques heures de plus, et j’ai un petit template XSLT pour collationner les mots abrégés, et les mots avec abréviations restituées pour insérer les lettres restituées dans des éléments <ex> (La feuille XSLT est plus bas.)
St. Gallen, Stiftsbibliothek / Cod. Sang. 562 – Vitae sancti Galli et Otmari / p. 3
Et c’est là que je découvre à mon plus grand étonnement que toute mesure de performance pour un alignement en conditions réelles est vaine. En effet, silencieusement, des lignes ont été omises qui n’apparaissent pas dans la numérotation. Cela apparaît au premier feuillet, avec une première ligne de transcription numérotée 1, qui est la troisième de l’image.
St. Gallen, Stiftsbibliothek / Cod. Sang. 562 – Vitae sancti Galli et Otmari / p. 65
mais surtout cela se répète dans la transcription où l’on trouve par exemple les deux lignes numérotées dans l’ordre
alors que l’image nous montre un numéro de chapitre rubriqué “XI.” et une première ligne de texte en capitales rustiques “PREMISSA NARRATIONE QUA COMPREHEN”, et la fin du mot se trouve à la ligne suivante (comprehen-|-sum).
Bref, nous allons travailler sur ce corpus, mais, encore une fois, on se rend compte que l’approche du texte peut être très différente d’une communauté à l’autre. Ici, nous travaillons à rapprocher les points de vue !
Et voici la feuille de style.
Cette feuille part du principe presque universellement vrai dans l’emploi des abréviations que toutes les lettres du mot abrégé se retrouvent dans le mot restitué et dans le même ordre, comme le rappelait Thomas Frenz à l’atelier “Mittelalterliche Kürzungspraktiken in Volkssprache und Latein” à Zurich du 12 mars dernier. En conséquence de quoi, dans la ligne suivante, le mot “heremus” a disparu, car la forme normalisée choisie est “eremus” et non “heremus” (également possible). csg562-009-19 m-o-n-t-e-s|p-e-r|g-i-r-u-m|e-x-c-e-l-s-i-pt|h-e-r-e-m-u-s|v-a-s-t-a-pt|et|i-m-m-i-n-e-n-s|o-p-p-i-d-o montes|per|gyrum|excelsi|eremus|vasta|et|imminens|oppido
cs
On trouve aussi des transcriptions doublées :
csg562-013-01 a-b-o-l-i-t-i-o-n-e-m|p-r-a-e-d-i-c-a-t-i-o-n-i-s|e-o-r-u-m|m-o-n-i-t-a|c-o-n-t-e-m-p-n-e-n-t-e-s-pt|c-o-n-t-e-m-n-e-n-t-e-s-pt|c-o-e abolitionem|praedicationis|eorum|monita|contempnentes|contemnentes|BREAK
<?xml version="1.0" encoding="UTF-8"?>
<xsl:stylesheet xpath-default-namespace="http://www.tei-c.org/ns/1.0" xmlns="http://www.tei-c.org/ns/1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform" version="2.0">
<xsl:output encoding="UTF-8" method="xml" indent="no"/>
<xsl:strip-space elements="*"/>
<xsl:template match="@*|node()">
<xsl:copy>
<xsl:apply-templates select="@*|node()"/>
</xsl:copy>
</xsl:template>
<xsl:template match="/">
<xsl:apply-templates />
</xsl:template>
<xsl:template match="w[@rend='facs']">
<xsl:param name="i" />
<xsl:param name="length" />
<xsl:variable name="n"><xsl:value-of select="./@n"/></xsl:variable>
<xsl:choose>
<!-- s'il n'y a pas d'abréviation ou de restitution -->
<xsl:when test="string-length(.)=string-length(following-sibling::w[@rend='normal'][@n=$n])">
<xsl:copy-of select="."></xsl:copy-of>
</xsl:when>
<!-- pour la perluette -->
<xsl:when test="contains(., '&')">
<xsl:copy-of select="."></xsl:copy-of>
</xsl:when>
<!-- pour les mots coupés en fin de ligne -->
<xsl:when test="contains(ancestor::p[1], 'BREAK')">
<xsl:if test=".[last()]">
<xsl:element name="w">
<xsl:attribute name="n"><xsl:value-of select="$n"></xsl:value-of></xsl:attribute>
<xsl:attribute name="rend"><xsl:text>facs</xsl:text></xsl:attribute>
<xsl:element name="seg">
<xsl:attribute name="type"><xsl:text>wp</xsl:text></xsl:attribute>
<xsl:attribute name="part"><xsl:text>I</xsl:text></xsl:attribute>
<xsl:copy-of select="text()"></xsl:copy-of>
</xsl:element>
</xsl:element>
</xsl:if>
</xsl:when>
<!-- pour les mots coupés, en début de ligne -->
<xsl:when test="preceding-sibling::lb[@break='no'] and @n=1">
<xsl:element name="w">
<xsl:attribute name="n"><xsl:value-of select="$n"></xsl:value-of></xsl:attribute>
<xsl:attribute name="rend"><xsl:text>facs</xsl:text></xsl:attribute>
<xsl:element name="seg">
<xsl:attribute name="type"><xsl:text>wp</xsl:text></xsl:attribute>
<xsl:attribute name="part"><xsl:text>F</xsl:text></xsl:attribute>
<xsl:copy-of select="text()"></xsl:copy-of>
</xsl:element>
</xsl:element>
</xsl:when>
<xsl:when test="string-length(.) < string-length(following-sibling::w[@rend='normal'][@n=$n])">
<xsl:variable name="expanded" select="following-sibling::w[@rend='normal'][@n=$n]"/>
<xsl:element name="w">
<xsl:attribute name="n" select="$n"/>
<xsl:attribute name="rend"><xsl:text>facs</xsl:text></xsl:attribute>
<xsl:call-template name="collate">
<xsl:with-param name="length" select="string-length(following-sibling::w[@rend='normal'][@n=$n])" />
<xsl:with-param name="pos1" select="number(1)"></xsl:with-param>
<xsl:with-param name="pos2" select="number(1)"></xsl:with-param>
<xsl:with-param name="n" select="$n"></xsl:with-param>
<xsl:with-param name="expanded" select="$expanded"></xsl:with-param>
</xsl:call-template>
</xsl:element>
</xsl:when>
</xsl:choose>
</xsl:template>
<!-- NOUVEAU TEMPLATE POUR COLLATION DES MOTS avec abréviation, on crée une boucle qui va examiner chacun des caractères -->
<xsl:template name="collate">
<xsl:param name="pos1"/>
<xsl:param name="pos2"/>
<xsl:param name="length"/>
<xsl:param name="n"/>
<xsl:param name="expanded"></xsl:param>
<xsl:choose>
<xsl:when test="lower-case(substring(.,$pos1,1)) = substring($expanded, $pos2,1)">
<xsl:copy-of select="normalize-space(substring(.,$pos1,1))"/>
<xsl:if test="number($pos2) < number($length)">
<xsl:call-template name="collate">
<xsl:with-param name="length" select="$length" />
<xsl:with-param name="pos1" select="$pos1 + 1"></xsl:with-param>
<xsl:with-param name="pos2" select="$pos2 + 1"></xsl:with-param>
<xsl:with-param name="expanded" select="$expanded"></xsl:with-param>
</xsl:call-template>
</xsl:if>
</xsl:when>
<xsl:when test="lower-case(substring(.,$pos1,1)) != substring($expanded, $pos2,1)">
<xsl:element name="ex">
<xsl:copy-of select="substring($expanded, $pos2,1)"/>
</xsl:element>
<xsl:if test="number($pos2) < number($length)">
<xsl:call-template name="collate">
<xsl:with-param name="length" select="$length" />
<xsl:with-param name="pos1" select="$pos1"></xsl:with-param>
<xsl:with-param name="pos2" select="$pos2 + 1"></xsl:with-param>
<xsl:with-param name="expanded" select="$expanded"></xsl:with-param>
</xsl:call-template>
</xsl:if>
</xsl:when>
</xsl:choose>
<!-- Tant que length n'est pas atteint, l'on rappele le template pour continuer la boucle -->
</xsl:template>
<!-- SUPPRESSION DE LA TRANSCRIPTION NORMALISEE -->
<xsl:template match="w[@rend='normal']"/>
</xsl:stylesheet>
As part of ICFHR 2016 (http://www.nlpr.ia.ac.cn/icfhr2016/competitions.htm), we propose a competition on Script Classification.
1. Competition: task and context
1.1 Task under evaluation
10-Semihybrida (c) IRHT-CIPL
The task to be evaluated in the present competition is the classification of 1000 images of Latin Scripts, from handwritten books dated 500 C.E. to 1600 C.E.
The organizers provide a training data-set consisting in 2000 images of well defined script types. They will evaluate the results on a 1000 additional images which are not included in the training data-set, or/and on a set of 2000 images of mixed script type images.
The complete data-set is thereafter named CLaMM : classification of Latin Medieval Manuscripts
There are 12 pre-defined classes in CLaMM according to the script style.
We propose two possible tasks: task 1 named “Crisp Classification” and task 2 named “Fuzzy Classification”.
Both tasks are independent, and participants have to announce if they want to perform task 1, task 2, or tasks 1 and 2.
Task 1 is divided in two steps:
The participants will have to provide a “distance matrix” between pairs of images
The participants will have to associate a single label to each image
Task 2 is also divided in two steps
The participants will have to provide a “distance matrix” between pairs of image
The participants will have to associate a multi-weighted labeling to each image
Participants are expected to provide the executable files, capable of producing the results of steps 1 and 2 of the respective tasks according to the format that is described in section 2.
1.2 Context
Automated analysis and classification of handwritings applied to the written production of the European Middle Ages is a new challenge and a “frontier in handwriting recognition”.
Digital libraries from Cultural Heritage institutions contain literally ten-thousands of digitized manuscripts of the European Middle Ages. Some examples:
The overwhelming majority of manuscripts in there are written in Latin script.
In this context, there is a need for an automated “tagging” or “cataloguing” of the handwriting on the images, not only to allow for historical research (when and how which text is written), but primarily because it is a pre-requisite for handwritten text recognition (HTR) or automated indexing and data mining. To perform HTR on the digitized manuscripts, one “numerical model” is necessary to recognize the text for each script type and the identification of the script type is the first step.
This has been stated for the modern handwriting styles [1]. The medieval millennium extending from 500 C.E. to 1600 C.E. shows that the Latin script evolved and took very different forms, much more diverse than all the writing styles of the 19th to the 21st century.
1.3 Importance of the CLaMM dataset
The participants of this competition will get the only available reference data-set covering the European Middle Age and tagged as regards script types and production date.
In real-life conditions and beyond the challenges of material degradations, segmentation, etc., one of the difficulties is that there is a historical continuum in the evolution of scripts so that there are mixed types and many scripts that could pertain to two or more categories. In this regard, classification of scripts addresses the subjectivity of the human mind, so that, as in art history, all attributions remain subject to debate and discussion.
In this competition, in task 1 the training data-set and the test data-set encompass well defined script types, in order to make the evaluation possible. In task 2, the test data-set also encompasses mixed script types, which illustrates evolution of Latin scripts.
1.4 Related topics and previous work
The present competition on the Classification of Medieval Handwritings in Latin Script is related but differs from:
Segmentation and text detection on an image;
Binarization;
Image Feature Extraction;
Sorting out different scripts (Latin / Arabic / Greek / Hebrew, etc.);
Performing scribal identification within a homogenous corpus or within a particular manuscript.
The latter topic is the closest and has been dealt with by numerous competitions and publications [2]–[4].
As for the Classification of Medieval Handwritings in Latin Script specifically: the first attempt at automating the classification of medieval Latin scripts was made by the Graphem research project (Grapheme based Retrieval and Analysis for PalaeograpHic Expertise of medieval Manuscripts) funded by the French National Research Agency (ANR-07-MDCO-006, 2007-2011). The results are published in [5], [6].
Further research has been conducted on a theoretical level by one of the organizers and several teams in Computer Science[7]–[15]. Nevertheless none of the teams had access to the labelled data-set and the latter has not been made available anywhere.
2 Data
2.1 Image data-set
Both training and test data-sets consists of grey-level images in TIFF format at 300 dpi, picturing a 100 x 150 mm part of a manuscript.
The training set consists of 2000 images. The test set consists of 1000 images for task 1, and 2000 images for task 2.
The list of classes is provided in a CSV file with 2 columns: “FILENAME,SCRIPT_TYPE”.
Additional information
The image collection used for the competition is mainly based on the collection of 9800 images from the French catalogues of dated and datable manuscripts[16]–[24], increased with the on-line documentation from the BVMM (http://bvmm.irht.cnrs.fr/) and Gallica (http://gallica.bnf.fr/) in order to build classes of the same size.
2.2 Classes
2.2.1 Description
The images of the training set are tagged according to 12 labels. The division of scripts is based on morphological differences and allographs, as defined in standard works on Latin scripts [25], [26].
The following script types are described:
Uncial:
Mostly capital script
Almost no ascender or descender (d, F, h, p, q overlap only minimally)
Reduced A; d with shaft sloping to the left; rounded, often opene/Eand M;
Half-Uncial:
Minuscule script (ascenders and descenders clearly between the lines)
mainly open letter a; vertical d,3 or z-shaped letter g; minuscule form of m (three minims); both N and n may be used; mostly long s (ſ = U+017F); t with loop on the left;
The corpus encompasses more or less cursive types of half-uncial scripts
Caroline:
Minuscule script (ascenders and descenders clearly between the lines)
uncial roundeda, half-uncial d, g with a small round eye; f, i, r and long s may have (short) descenders, flat-topped t;
Praegothica:
vertical uncial a; half-uncial d and uncial d; f and long s stand on the line; long s and round s may be used simultaneously
script based on Caroline type, characterized by its lateral compression (narrower letters and fusions) and regularization of strokes, esp. equalizing tendency in the treatment of feet.
Textualis:
two-compartment a; f and long s on the line; loopless ascenders (b, h, k, l);
Southern Textualis (Rotunda):
two-compartment a; f and long s on the line; loopless ascenders (b, h, k, l)
This script is the Mediterranean forms of Textualis. It is characterized by the roundness of its bows, visible especially in b, c, d, e, h, o, p, q and round r
Cursiva:
single-compartment a; f and long s below the line; loops on ascenders (b, h, k, l);
Hybrida:
single-compartment a; f and long s below the line; loopless ascenders (b, h, k, l);
Semitextualis: Textualis (cf. supra) with single-compartment a
Semihybrida: Hybrida with irregularly loopless ascenders (b, h, k, l);
Humanistic: Imitated from Caroline scripts, with dotted i
Humanistic Cursive: Humanistic script with cursiva forms and ‘italic’ slant
a description of the required environment, resources and the expected processing time for 1000 images.
3.1.2 Input/Output
The executable file should:
read the images from a folder
produce
a “ symmetrical distance matrix” of the images present in the folder (for task 1 as well as for task 2). The sum of all entries of this matrix will be equal to 1.0.
a CSV file with 2 columns: “FILENAME, SCRIPT_TYPE ” for task 1 (SCRIPT_TYPE, an integer between 1 and 12, indicating the belonging class).
a CSV file with 13 columns: FILENAME,SCRIPT_TYPE1, …., SCRIPT_TYPE12” for task 2 (SCRIPT_TYPE1, …., SCRIPT_TYPE12 are real values, and each row has a sum of its values equal to 1.0). This information will be named Belonging Matrix in the following sections.
Nota: Participants are allowed to submit several independent proposals
3.2 Evaluation
Based on the test data-set, the evaluation will be given as follow:
Accuracy per script type
Global accuracy for fuzzy results
Normalized distance matrix analysis
Processing time
For each task, two rankings will be done. The first one will be based on the average global accuracy, the second based on the symmetrical distance matrix.
3.2.1 Task1
The “accuracy per script type” is given according to the ground truth, which has one label for each script image in the evaluation data set. The ranking will be based on the average accuracy.
As far as the distance matrix is concerned, the evaluation will be done on the average intraclasse distance that will yield to the second ranking.
3.2.2 Task 2
The “global accuracy for fuzzy results” will be evaluated as follow:
The ground truth indicates one or two labels for each script image, from the Belonging Matrix, only the two highest membership degrees will define SCRIPT_TYPE1 and SCRIPT_TYPE2.
Scores will be attributed as follow:
4 points if SCRIPT_TYPE1 AND SCRIPT_TYPE2 match the labels given to the image in the ground truth.
2 points if SCRIPT_TYPE1 matches one of the labels given to the image in the ground truth, but not SCRIPT_TYPE2.
1 point if SCRIPT_TYPE2 matches one label given to the image in the ground truth, but not SCRIPT_TYPE1.
(-2) points if SCRIPT_TYPE1 AND SCRIPT_TYPE2 do not match any of the labels given to the image in the ground truth.
The ranking will be based on the average accuracy.
As far as the distance matrix is concerned, for each image, according to the ground truth, we consider the one or two classes with highest membership degree. Then the sum of distances to the images of the same ground truth classes will be computed and averaged all over the test base. The ranking will be done with respect to this global value.
3.3 Additional information
The distance matrix will be used to further analyze the results. Some classes are acknowledged to be closer to one another for historical and phylogenetic reasons. The building of the data-set and the discretization of classes make the accuracy rate a sufficient measure. It is however relevant for future work (e.g. HTR) which classes are intermingled and which may be clearly separated.
4 Registration and access to data
To register in this contest send an e-mail to dominique_DOT_stutzmann_AT_irht_DOT_cnrs_DOT_fr and CC: to m_DOT_helias_AT_irht_DOT_cnrs_DOT_fr with the subject ICFHR 2016 CLaMM competition registration.
In the message you must provide the following data:
Institution
Group name and acronym
Participants and e-mail
Contact person
Registration for task 1 OR/AND task 2
5 Schedule
22 February 2016: Competitions published on ICFHR2016 website and open to participants.
15 March 2016: Training data-set available. Participants have to announce their participation by emailing the organizers and will receive login/password to download the training data set.
Nota bene: Participants are welcome, even after March 15th, but the following deadline will remain unchanged!
21 May 2016: Delivery of executable files with one-page description of method
<!– update –>
Deadline extended to 27 May 2016
01 July 2016: Deadline for submission for review of full papers describing the competitions. Papers must be sent directly to the Competitions Chairs.
01 October 2016: CLaMM data set released (metadata + images) on the website of the Institut de Recherche et d’Histoire des Textes (http://www.irht.cnrs.fr) and will be maintained by the institution.
Full professor in computer science at INSA de Lyon (Engineer school). Board member of GRCE (since 2000).
6.3 Nicole Vincent (nicole [dot] vincent [at] mi [dot] parisdescartes [dot] fr)
Full professor at Paris Descartes University, France.
Member of advisory committees of conferences: Cifed 12, 14, 16, EGC11, 12, 13 ; Member of the Program Committees of conferences: Cifed 08,10, ICFHR 12, 14, 16, ICDAR 13, 15 ; Co-Chair of the Program committee of EGC 05 ; Chair of the organizing committee of EGC05; Member of the editorial board of journal Pattern Recognition
[1] R. Niels and L. Vuurpijl, “Generating Copybooks from Consistent Handwriting Styles,” in Ninth International Conference on Document Analysis and Recognition, 2007. ICDAR 2007, 2007, vol. 2, pp. 1009–1013.
[2] L. R. B. Schomaker, K. Franke, and M. L. Bulacu, “Using codebooks of fragmented connected-component contours in forensic and historic writer identification,” Pattern Recognition Letters, vol. 28, no. 6, pp. 719–727, 2007.
[3] A. A. Brink, J. Smit, M. L. Bulacu, and L. R. B. Schomaker, “Writer identification using directional ink-trace width measurements,” Pattern Recognition, vol. 45, no. 1, pp. 162–171, 2012.
[4] S. He, M. Wiering, and L. R. B. Schomaker, “Junction detection in handwritten documents and its application to writer identification,” Pattern Recognition, vol. 48, pp. 4036–4048, 2015.
[5] D. Muzerelle and M. Gurrado, Eds., Analyse d’image et paléographie systématique : travaux du programme “Graphem” : communications présentées au colloque international “Paléographie fondamentale, paléographie expérimentale : l’écriture entre histoire et science” (Institut de recherche et d’histoire des textes (CNRS), Paris, 14-15 avril 2011). Paris: Association Gazette du livre médiéval, 2011.
[6] D. Stutzmann and M. Gurrado, “Mesure et histoire des écritures médiévales,” in Mesure et histoire médiévale, Actes du XLIIIe Congrès de la SHMESP, Paris: Publications de la Sorbonne, 2013, pp. 153–166.
[7] N. Vincent, A. Seropian, and G. Stamon, “Synthesis for handwriting analysis,” Pattern Recognition Letters, vol. 26, no. 3, pp. 267–275, 2005.
[8] G. Joutel, V. Eglin, and H. Emptoz, “Generic scale-space process for handwriting documents analysis,” in 19th International Conference on Pattern Recognition, 2008. ICPR 2008, 2008, pp. 1–4.
[9] I. Siddiqi, F. Cloppet, and N. Vincent, “Contour Based Features for the Classification of Ancient Manuscripts,” presented at the 14th Conference of the International Graphonolics Society, (IGS), Dijon, 2009.
[10] G. Joutel, V. Eglin, and H. Emptoz, “Generic Scale-Space Architecture for Handwriting Documents Analysis, chapter 15,” in Pattern Recognition Recent Advances, A. Herout, Ed. InTech, 2010, pp. 293–312.
[11] F. Cloppet, H. Daher, V. Églin, H. Emptoz, M. Exbrayat, G. Joutel, F. Lebourgeois, L. Martin, I. Moalla, I. Siddiqi, and N. Vincent, “New Tools for Exploring, Analysing and Categorising Medieval Scripts,” Digital Medievalist, no. 7, 2011.
[12] H. Daher, V. Églin, S. Brès, and N. Vincent, “Étude de la dynamique des écritures médiévales. Analyse et classification des formes écrites,” Gazette du livre médiéval, vol. 56–57, pp. 21–41, 2011.
[13] I. Siddiqi, F. Cloppet, and N. Vincent, “Writing property descriptors. A proposal for typological groupings,” Gazette du livre médiéval, vol. 56–57, pp. 42–57, 2011.
[14] V. Eglin, D. Gaceb, H. Daher, S. Bres, and N. Vincent, “Outils d’analyse de la dynamique des écritures médiévales pour l’aide à l’expertise paléographique,” Document Numérique, vol. 41, no. 1, pp. 81–104, 2011.
[15] D. Stutzmann, “Clustering of medieval scripts through computer image analysis: towards an evaluation protocol,” Digital Medievalist, vol. 10, 2015.
[16] C. Samaran, R. Marichal, M.-C. Garand, and J. Metman, Catalogue des manuscrits en écriture latine: portant des indications de date, de lieu ou de copiste, Tome I: Musée Condé et bibliothèques parisiennes, 2 vols. Paris: Centre national de la recherche scientifique, 1959.
[17] C. Samaran, R. Marichal, M.-C. Garand, and M. Mabille, Catalogue des manuscrits en écriture latine: portant des indications de date, de lieu ou de copiste, Tome II: Bibliothèque Nationale, fonds latin Nos.1 à 8000, 2 vols. Paris: CNRS, 1962.
[18] C. Samaran, R. Marichal, M.-C. Garand, and M. Mabille, Catalogue des manuscrits en écriture latine: portant des indications de date, de lieu ou de copiste, Tome V: Est de la France, 2 vols. Paris: CNRS, 1964.
[19] M.-C. Garand and M. Mabille, Catalogue des manuscrits en écriture latine portant des indications de date, de lieu ou de copiste. Tome VI, Bourgogne, centre, sud-est et sud-ouest de la France. Paris: CNRS, 1968.
[20] C. Samaran, R. Marichal, and M. Mabille, Catalogue des manuscrits en écriture latine: portant des indications de date, de lieu ou de copiste, Tome III: Bibliothèque Nationale, fonds latin Nos. 8001 à 18613, 2 vols. Paris: CNRS, 1974.
[21] C. Samaran, R. Marichal, M.-C. Garand, M. Mabille, and D. Muzerelle, Catalogue des manuscrits en écriture latine: portant des indications de date, de lieu ou de copiste, 4: Bibliothèque nationale Fonds latin (Supplément), nouvelles acquisitions latines, petits fonds divers, 2 vols. Paris: Centre national de la recherche scientifique, 1981.
[22] C. Samaran and R. Marichal, Catalogue des manuscrits en écriture latine: portant des indications de date, de lieu ou de copiste, Tome VII: Ouest de la France et pays de Loire, 2 vols. Paris: CNRS, 1985.
[23] D. Muzerelle, Manuscrits datés des bibliothèques de France. 1. Cambrai. Paris: CNRS Editions, 2000.
[24] D. Muzerelle, Manuscrits datés des bibliothèques de France, 2: Laon, Saint-Quentin, Soissons, 1 vols. Paris: CNRS éd, 2013.
[25] B. Bischoff, Paläographie des römischen Altertums und des abendländischen Mittelalters, 4., durchgesehene und erw. Aufl. Berlin: E. Schmidt, 2009.
[26] A. Derolez, The Palaeography of Gothic Manuscript Books from the Twelfth to the Early Sixteenth Century. Cambridge: Cambridge University Press, 2003.
La session de DH2015 (http://dh2015.org/) à laquelle j’ai eu le plaisir de présenter les résultats du projet Oriflamms était très cohérente. A la pointe de la recherche sur l’alignement, avec les meilleures équipes dans le domaine.
Long Paper Session Chair: Andreas Fickers From Text and Image to Historical Resource: Text-Image Alignment for Digital Humanists
Dominique Stutzmann1, Théodore Bluche2, Alexei Lavrentev3, Yann Leydier4, Christopher Kermorvant5
1: Institut de Recherche et d’Histoire des Textes (CNRS), France; 2: A2iA, France; 3: ICAR, Interactions, Corpus, Apprentissages, Représentations (ENS de Lyon – UMR 5191), France; 4: LIRIS Laboratoire d’Informatique en Image et Systèmes d’information (INSA de Lyon – UMR 5205); 5: Teklia, France Text Line Detection and Transcription Alignment: A Case Study on the Statuti del Doge Tiepolo
Fouad Slimane, Andrea Mazzei, Lorenzo Tomasin, Frédéric Kaplan
EPFL, Switzerland DIVADIAWI – A Web-Based Interface for Semi-Automatic Labeling of Historical Document Images
Hao Wei, Kai Chen, Mathias Seuret, Marcel Würsch, Marcus Liwicki, Rolf Ingold
University of Fribourg, Switzerland
Oriflamms s’en sort particulièrement bien. Les corpus Graal et Fontenay, automatiquement alignés et complètement “validés” (donc corrigé) sont plus grands que les autres et l’alignement est extrêmement bon (mesuré en pixels sur la correction).
La discussion a porté sur la mise à disposition des outils développés, sur la spécificité et l’éventuel besoin d’entraîner des outils de reconnaissance sur chaque type d’écriture, sur le crowdsourcing, mais aussi sur les métriques et l’évaluation.
Frédéric Kaplan fait remarquer que, si l’on veut mesurer la précision de l’alignement en pixel, il n’y a pas une unique vérité-terrain. mais un espace mobile à considérer. Cet échange a été l’occasion de préciser les mesures de précision. En effet, Oriflamms montre que sur les corpus les plus grands alignés dans la littérature, l’alignement des mots est correct à plus de 90% à moins d’un demi-caractère près.
La mesure proposée par Fouad Slimane donne 98% de positionnement correct au niveau-mot, mais a une signification complètement différente, puisque cela indique que le mot est placé sur la bonne ligne (pour les Statuts du doge, une partie de la transcription est alignée au niveau-page et doit être replacée sur les lignes).
Il va donc falloir commencer à travailler sur la mesure de précision sur des mesures comparables…
Dans plusieurs projets, ceux de collègues ou les miens, une question, classique, des “humanités numériques” se pose : celle de la meilleure façon d’encoder. Oui, un grand classique.
En attendant que paraisse un article où je parle d’ergonomie comme élément moteur de la qualité de la recherche, car c’est l’élément qui assure la qualité, l’interopérabilité et le volume des données exploitables, voici le résumé que j’ai fait, ce midi, pour un mien ami, pris dans un problème de communication entre développeurs et chercheurs en sciences humaines.
A partir de données, éventuellement générées avec Microsoft Word (je ne l’utilise pas en ce sens, mais suis tout à fait opposé aux idéologues qui veulent empêcher de travailler avec des outils qui répondent aux besoins d’ergonomie, d’exploitation et de visualisation), si l’on veut conserver ses données en TEI (ce qui est souhaitable pour des raisons d’interopérabilité, d’explicitation de l’information implicite, donc pour la pérennité),
quatre opérations sont nécessaires:
1) définir le format cible
Prendre un segment représentatif des données à traiter et l’encoder “à fond” et aussi proprement que possible
2) Analyser le format de la source
Comprendre ce que chaque champ ou chaque mise en forme signifie et dans quel contexte pour pouvoir exploiter l’information de façon automatique. Ainsi, il n’est pas juste de dire qu’on ne peut pas utiliser l’italique pour les titres d’ouvrages et les titres de paragraphes, tant qu’on s’assure qu’il existe systématiquement un contexte qui permette de distinguer les deux (note de bas de page, paragraphe stylé qui précède, etc.)
* En continuant par des transformations supplémentaires
a) pour recréer une arborescence dans un fichier qui est à plat.
b) pour expliciter l’implicite (passer d’italique à <title> ou à <div> selon le contexte, passer de <ptr> à <note>)
* puis en identifiant ce qui n’est pas automatisable, tout en misant sur la capacité de l’ordinateur (nous sommes au XXIe s.). Donc même une chaîne de caractères entre guillemets non stylée, si elle est suivie de <ptr>, peut parfaitement être transformée en <q> avec les identifications de note rapportées à l’endroit qui va bien dans l’encodage.
4) Enrichissement du document TEI
Sur l’arrière-plan des enjeux
Toujours les mêmes. Toujours à rappeler.
1) Joindre le pratique au réflexif.
Convertir des données nécessite de les comprendre
2) Workflow des sciences humaines et ergonomie : le pragmatisme contre l’idéologie
Parler de TEI, c’est bien. Créer des environnements adéquats, c’est mieux. Donner aux chercheurs le moyen d’utiliser leurs outils normaux et leur fournir les moulinettes qui explicitent l’implicite sans faire de temps ni aux uns, ni aux autres, c’est l’idéal. Pour mémoire, je travaille, quant à moi, en TEI native. Mais ceux qui ont passé 20 ans ou plus de leur vie à approfondir la notion d’humanité ont certes les moyens de comprendre la TEI qui est self-explaining, mais n’ont assurément pas trente secondes à perdre à chaque opération de copier-coller parce que tel logiciel trop lourd réagit trop lentement, et encore moins trois mois à perdre pour prendre en main un outil en développement, ni même accompagner ce développement alors qu’un logiciel du marché répond déjà à leurs attentes.
3) Interopérabilité et ergonomie
Le commentaire qui précède doit se lire face aux enjeux conjoints d’ergonomie et d’interopérabilité. Une bonne ergonomie assure une meilleure qualité des données et une meilleure recherche sur des données plus nombreuses et mieux interopérables. Si le style “titre” donne un texte mis en gras et en rouge, cette information sera plus correctement renseignée que devant les balises nues. Si les opérations sont simples et intuitives, elles seront effectuées plus systématiquement. L’ergonomie n’est donc pas une question de confort de gens réticents au progrès, mais un impératif pour la qualité de la recherche.
4) Information overload et recherche scientifique
La TEI tend un piège au chercheur car elle permet d’enregistrer toutes les informations. Il faut donc bien calibrer l’encodage et les informations nécessaires pour répondre aux questions posées.
5) Visualisation
Big next step des humanités numériques. Souvent évoqué dans les ThatCamp et dans les conférences dédiées. Il s’agit de garder à l’idée que c’est en optimisant la prise de connaissance de l’information par les voies rationnelles conscientes, mais aussi par la perception intuitive que l’on crée les conditions les plus stimulantes pour l’émergence d’hypothèses nouvelles et de modes heuristiques performants.
6) Balayer devant sa porte, ou comment revoir le “workflow des humanités”
Il faut aussi apprendre à poser les bonnes questions, celles auxquelles les collègues peuvent répondre. Dans un projet, j’ai entendu “nous n’avons pas les sources et nous ne pouvons pas les modifier”. Ce qui était derrière était: “nous avons les sources, nous pouvons les modifier, mais nous n’avons pas la main sur la re-publication du corpus en ligne”. Et le blocage n’était pas du côté des collègues développant les logiciels ou gérant les restrictions du format TEI 🙂
ORIFLAMMS sera présent à DH2015 (DH2015 – Annual Conference of the Alliance of Digital Humanities Organizations). Notre contribution, sous le titre From Text and Image to Historical Resource: Text-ImageAlignment for Digital Humanists présentera principalement les travaux d’A2iA dans le projet et fera ainsi suite et pendant à la contribution d’ICFHR 2014 “Learning-Free Text-Image Alignment for Medieval Manuscripts“. Celle-ci montrait les réalisations et la robustesse de l’alignement sans apprentissage préalable ; celle-là démontrera la qualité des résultats obtenus par des modèles d’intelligence artificielle avec apprentissage.
La Ville de Paris subventionne un nouveau projet de paléographie numérique : « Les écritures médiévales et les humanités numériques : nouveaux outils et nouvelles questions » ou, selon l’acronyme choisi: ECMEN – Écritures médiévales et outils numériques, dans le cadre du programme Emergences (liste des lauréats 2014).
À la rencontre d’enjeux épistémologiques, scientifiques, technologiques et industriels, ECMEN analyse l’évolution écritures du Moyen Âge, latines et vernaculaires, du XIIe au XVe s., pour en comprendre les facteurs d’évolution et éclairer les modes de production et de communication du Moyen Âge. S’inscrivant à la suite du projet ANR Oriflamms dans le champ des humanités numériques et avec une démarche transdisciplinaire, ECMEN exploite et développe les outils d’analyse d’image par ordinateur et crée de nouvelles questions pour de nouveaux outils.
Le premier volet de la nouvelle stratégie scientifique consiste en la définition d’un corpus représentatif de la production écrite médiévale, en tenant compte des différents facteurs qui peuvent l’influencer (chronologie, géographie, contexte de production, typologie textuelle et langue), et en étudiant la représentativité de ce corpus au regard de la réception des textes médiévaux. Un second volet de la recherche consiste en l’analyse des écritures, quise fondera sur les résultats d’ORIFLAMMS et sur le nouveau corpus de référence pour parfaire la création d’une ontologie des signes (commencée dans ORIFLAMMS et dans le projet PIM porté par la BnF) et aboutir à une meilleure compréhension des liens entre écriture, typologie textuelle et réception des œuvres. Utilisant un format interopérable et pérenne (XML-TEI), ECMEN contribuera également à développer des logiciels d’analyse d’image. Le corpus et les outils nouveaux devront répondre aux besoins des linguistes, historiens des écritures et de la communication, mais aussi des chercheurs industriels en reconnaissance des écritures.
Anglais
The research project ECMEN addresses issues of epistemological, scientific and technological nature. ECMEN studies the scripts and handwriting of the Middle Ages (12th-15th c., Latin and Vernacular) to identify key factors in their evolution and get a better knowledge of the written communication in the Middle Ages. ECMEN is a digital-humanities project with an interdisciplinary approach, and enhances and develops image analysis software to open a new field of research. Its first part consists in the elaboration of a representative corpus of the medieval written production. This reference corpus takes into account the diverse influences on the written artefacts: chronology, geography, social context, text typology, language). The second part of the research consists in analysing the handwriting in the reference corpus, as to create an ontology of medieval signs and study the links between script, text typology and work reception. Implementing the TEI-XML standard for interoperability and long-term preservation, it contributes to the development of image analysis software and enhances the newly developed applications for aligning text and images, segmenting and extracting word and letter forms. The reference corpus and new tools will meet the requirements in linguistics and history of communication, as well as the needs of scientific and industry research in image analysis and recognition.
Écritures médiévales et outils numériques. Carnet du projet ECMEN (Ecriture médiévale et outils numériques), successeur du projet ORIFLAMMS (Ontology Research, Image Features, Letterform Analysis on Multilingual Medieval Scripts) et