ICFHR2016 Competition on the Classification of Medieval Handwritings in Latin Script

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
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:
    1. Mostly capital script
    2. Almost no ascender or descender (d, F, h, p, q overlap only minimally)
    3. Reduced A; d with shaft sloping to the left; rounded, often opene/Eand M;
  • Half-Uncial:
    1. Minuscule script (ascenders and descenders clearly between the lines)
    2. 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;
    3. The corpus encompasses more or less cursive types of half-uncial scripts
  • Caroline:
    1. Minuscule script (ascenders and descenders clearly between the lines)
    2. 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:
    1. 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
    2. 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:
    1. two-compartment a; f and long s on the line; loopless ascenders (b, h, k, l);
  • Southern Textualis (Rotunda):
    1. two-compartment a; f and long s on the line; loopless ascenders (b, h, k, l)
    2. 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:
    1. single-compartment a; f and long s below the line; loops on ascenders (b, h, k, l);
  • Hybrida:
    1. 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

2.2.2 Ideal models of the script types

uncial script
uncial script
half-uncial script
half-uncial script
caroline script
caroline script
textualis script
textualis script
textualis meridionalis script
textualis meridionalis script
cursiva script
cursiva script
hybrida script
hybrida script
humanistic script
humanistic script
humanistic cursive script
humanistic cursive script

2.2.3 Samples from the CLaMM data set

3       Results

3.1      Expected outputs

3.1.1      Executable file

Participants will provide

  • an executable file
  • 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.


6 Organizers

6.1 Dominique Stutzmann (dominique [dot] stutzmann [at] irht [dot] cnrs [dot] fr)

Senior Researcher at Centre National de la Recherche Scientifique (French National Center for Scientific Research).

6.2 Véronique Eglin (veronique [dot] eglin [at] insa-lyon [dot] fr)

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

6.4 Florence Cloppet (florence [dot] cloppet [at] mi [dot] parisdescartes [dot] fr)

Assistant professor in Computer Science at Paris Descartes university (Paris-

6.5 Marlène Helias-Baron (m [dot] helias [at] irht [dot] cnrs [dot] fr)

Research ingeneer at Institut de Recherche et d’Histoire des Textes (CNRS), Paris


7       Works Cited

[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.

Text image alignment

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…

Humanités numériques : un mot pour les humains

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.

TEI pour les 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.)

3) Conversion vers la TEI

* En commençant par OxGarage.

* 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 🙂


DH2015 : c’est officiel !

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-Image Alignment 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 le projet ECMEN (Écritures médiévales et outils numériques)

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, qui se 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.


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.

Accueil Paris.fr

CΛSΛLI – Un hôtel de rêve pour le paléographe

Une fois n’est pas coutume, nous allons faire ici l’éloge de l’hôtel Casali de Césène où étaient logés les participants d’Oriflamms. Très beau, un personnel sympathique, etc. Mais surtout un logo magnifique (qui n’apparaît malheureusement pas sur le site) où les A du nom “Casali” sont écrits sans barre horizontale.

Or ce phénomène nous intéresse depuis plusieurs années, parce qu’il témoigne d’une résurgence de formes dans un cadre historique et un système où une spécialisation devient obsolète. L’explication que j’ai pu avancer ailleurs, notamment dans les compte-rendu de mes conférences à l’EPHE (Annuaire, t. 143 (année 2011-2012), 2013 et EPHE, Annuaire, t. 145 (année 2012-2013), 2014, p. 163-177, aux p. 165-167) sur l’économie cognitive et l’invention graphique, sur la captation de l’attention et la force symbolique, a été complétée par la discussion avec la responsable de l’hôtel qui m’a expliqué ce qui a motivé le choix de la forme CΛSΛLI dans ce cas précis. Le triangle Λ évoque le toit qui est le motif principal de la maison (“avoir un toit”) et permet de connoter bien-être et protection dans un établissement dont le nom en est dérivé.


Quelques autres exemples collectés récemment :

Continuer la lecture de CΛSΛLI – Un hôtel de rêve pour le paléographe

Les manuscrits datés et la paléographie à Cesena

A la merveilleuse Bibliothèque Malatestiana de Césène (Cesena, Italie) s’est tenu un très stimulant colloque à l’occasion des 20 ans des Manuscrits datés italiens : Catalogazione, storia della scrittura, storia del libro. I “Manoscritti datati d’Italia” vent’anni dopo [programme en ligne]

A cette occasion, deux membres d’Oriflamms y ont été invités pour exposer des  recherches en cours et, de façon générale, cette rencontre a fait la part belle aux questions de paléographie quantitative, tant statistique que numérique. Albert Derolez (Comité Internationale de Paléographie Latine, Gand), dans une communication intitulée Continuer la lecture de Les manuscrits datés et la paléographie à Cesena

Digital Palaeography: New Machines and Old Texts (Dagstuhl, 20-24 July 2014)

The very successful and fruitful Dagstuhl seminar 14302, jointly organized by the Oriflamms project leader, gathered 24 Humanists and Computer Scientists from 10 countries. The report will soon appear. In the meanwhile, here is the abstract of the ORIFLAMMS’ presentation.

Digital Palaeography. Text-Image Alignment and Script/Scribal Variability (ANR ORIFLAMMS / Cap Digital)

Medieval scripts are a challenge to historical analysis, as for describing and representing the graphical evidence, analyzing and clustering letter forms and their features through Computer Vision and analyzing historical phenomena. The ANR funded research project ORIFLAMMS (Ontology Research, Image Feature, Letterform Analysis on Multilingual Medieval Scripts, 2013-2016) gathers seven partners from the Humanities and Computer Science (IRHT = Institut de Recherche et d’Histoire des Textes, CNRS; CESCM = Centre d’Études Supérieures de Civilisation Médiévale; École Nationale des Chartes; ICAR = Interactions Corpus Apprentissages Représentations, École Normale Supérieure, for the Humanities; A2iA, LIRIS = Laboratoire d’InfoRmatique en Image et Systèmes d’information, INSA Lyon; LIPADE = Laboratoire d’Informatique de Paris Descartes, for Computer Science). It aims at studying the coherence and variability of graphical systems, according to their language, level of formality, support, genre, date and place, as well as creating an ontology of medieval signs, through the alignment of text and images, by extracting letterforms, abbreviations and signs, then perform pattern similarity analysis, and enhance the results with computational linguistics and paleographical analysis. In order to achieve representative results, several core corpuses have been identified (charters, books, books of charters such as cartularies and registers, inscriptions). The research is based on XML-TEI compliant editions and compels to deepening our understanding of scribal systems and forms [1, 2]. As part of this research, a software has been developed in order to easily visualize and validate the text-image alignment. The latter is produced by two different systems developed in this project: the first one without prior knowledge [3], the second one with GMM and DNN with very good results. By now, two large data sets have been aligned: Queste du Graal including 130 pages, 10700 lines, more than 115’000 words and 400’300 characters; Fontenay including 104 pages, 1341 lines, more than 22’200 words and 99’900 characters. This is a major first step. With the following corpuses, this research contributes to both Humanities (letterform identification, historical semiotics) and Computer Science (Handwriting recognition), with the core idea of not reinventing the wheel, but using former research, computer and human brain at their maximal capacities.


The research leading to these results has received funding from the Agence Nationale de la Recherche and Cap Digital under grant agreement no. ANR-12-CORP-0010.


1 D. Stutzmann. Paléographie statistique pour décrire, identifier, dater … Normaliser pour coopèrer et aller plus loin? In Kodikologie und Paläographie im digitalen Zeitalter 2 – Codicology and Palaeography in the Digital Age 2, Norderstedt, 2010, pp. 247–277

2 D. Stutzmann. Ontologie des formes et encodage des textes manuscrits médiévaux. Le projet ORIFLAMMS, In Document numérique, 16/3 (2013):81–95. DOI: 10.3166/DN.16.3.69-79.

3 Y. Leydier, V. Eglin, S. Bres, D. Stutzmann. Learning-free text-image alignment for medieval manuscripts. In Proc. Int. Conf. on Frontiers in Handwriting Recognition, Crete, Greece, 2014

Oriflamms @ Leeds: histoire de l’écriture, histoire de l’art et travaux pratiques

On a pu dire que la paléographie numérique comprenait plus de numérique que de paléographie. Le dernier congrès de Leeds a montré que les « paléographes numériques » n’oublient pas l’histoire de l’écriture. Avec deux sessions organisées par les partenaires d’Oriflamms (appel à communication) et la participation aux tables rondes, les discussions dans les sessions d’épigraphie et les communications dans d’autres sessions ont fait de Leeds un grand congrès de paléographie et épigraphie « traditionnelles » : deux sessions d’épigraphie (Medieval Epigraphy, 213 et 313), deux sessions de paléographie, y compris épigraphique (Empire of letters, 1213 et 1313). L’épigraphe était aussi représentée par la session 121 (Coining and Sealing Empire in the Middle Ages), où parlait Florence Codine, porteuse du projet PIM (Police pour les inscriptions monétaires). La paléographie numérique était, quant à elle, bien représentée par nos amis de DigiPal, qui montraient les réalisations et développements de l’infrastructure et l’application à d’autres corpus et d’autres paléographies (session 1537).

La grande rencontre de l’épigraphie et de la paléographie a permis aux équipes d’Oriflamms d’affiner et améliorer le schéma d’encodage pour les inscriptions médiévales pour les points non traités par Epidoc. Bientôt de nouveaux corpus disponibles au format XML !

Continuer la lecture de Oriflamms @ Leeds: histoire de l’écriture, histoire de l’art et travaux pratiques

ORIFLAMMS à Dagstuhl

Dans le cadre somptueux et privilégié qu’offrent le château de Dagstuhl et sa très riche bibliothèque spécialisée se tient du 20 au 24 juillet 2014 le séminaire Digital Palaeography: New Machines and Old Texts. Parmi 25 experts des Humanités, Humanités numériques et Computer Vision, venus d’une dizaine de pays et tous impliqués dans le dialogue interdisciplinaire et la paléographie numérique. Trois des responsables scientifiques d’ORIFLAMMS seront présents, dont l’un comme coorganisateur : Dominique Stutzmann, Véronique Eglin, Nicole Vincent.

De la paléographie hébraïque à la paléographie latine en passant par la papyrologie et la paléographie arabe, du wordspotting à la catégorisation en passant par la reconnaissance du texte manuscrit, tous les défis humains, organisationnels et techniques seront évoqués pour identifier les meilleures pistes et les perspectives les plus prometteuses.

Nous vous tiendrons au courant !

Paléographie numérique: projets et perspectives

Durant le troisième « workshop » organisé à Venise en jonction avec l’université de Padoue et l’Ecole Polytechnique Fédérale de Lausanne, les réalisations et les perspectives de la paléographie numérique ont été présentées et discutées. Organisé d’une main de maître par Flavia De Rubeis, Frédéric Kaplan et Dorit Raines, le programme riche a été l’occasion d’échanges nombreux et fructueux.

Les concepts de Digital Palaeography et de Big Data du passé

Arianna Ciula (University of Roehampton) a ouvert la première séance avec l’autorité de celle qui, la première, a ouvert la voie à la paléographie numérique, en employant dès 2004 l’expression « digital palaeography », alors qu’aujourd’hui le concept est largement utilisé (cf. KPDZ, ESF Würzburg, DigiPal). Plusieurs idées fortes structurent sa contribution. Nous retenons une première ambivalence : les réticences envers la paléographie numérique trouvent leur origine dans la peur ou le sentiment d’incompréhension face aux techniques employées ; inversement, l’utilisation des technologies numériques n’est pas toujours suffisamment autoréflexive, par exemple sur les implications de la numérisation. Elle promeut un usage critique.

Elle distingue ensuite « digital » et « computational », et soutient que la paléographie numérique englobe la paléographie quantitative et doit se comprendre comme un pas dans la direction de la paléographie « intégrale » chère à Boyle, en lien avec la philologie, la linguistique et les sciences cognitives.

Continuer la lecture de Paléographie numérique: projets et perspectives

ORIFLAMMS à l’université Ca’ Foscari de Venise

Les 10 et 11 avril 2014, à Venise, se tiendra un atelier de réflexion sur la paléographie numérique : Digital Paleography. Projects, prospects, potentialities (An International Workshop).

Programme et argumentaire : Digital paleography workshop – Venice – 10-11 April 2014

Le projet Oriflamms et ses avancées seront présentées durant la troisième session, le 11 avril au matin.

L’atelier explorera un champ de recherche à la pointe et examinera les potentialités des technologies de l’informations appliquées au systèmes graphiques non-imprimés, quel qu’en soit le support.

Trois thèmes principaux seront abordés :

  • état de l’art
  • diversité des approches et potentialités dans la reconnaissance automatisée des écritures médiévales
  • écritures personnelles des XVIe-XVIIIe siècles

The present international workshop addresses a recent cutting-edge research field which explores the potentialities lying in the application of information technologies to non-printed graphic systems on whatever writing surface.
The workshop proposes to explore three principal themes: the digital paleography state of the art; the potentiality of different approaches applied to automatic digital recognition of medieval handwritings; the problem of sixteenth-eighteenth centuries individual handwriting digital recognition, in particular in wills from the Venetian State Archives, as part of the “Venice Time Machine Project” recently launched by Università Ca’ Foscari, Digital Humanities Lab (DHLAB), EPFL, Lausanne and the Archivio di Stato di Venezia.
The workshop is open to students of both Bachelor and Master levels (with credit recognition of substitute activity for the traineeship), for Ph.D. students and for all those interested in the theme.

Pour plus d’information, contacter :
Flavia De Rubeis: flaviadr@unive.it
Dorit Raines: raines@unive.it


Continuer la lecture de ORIFLAMMS à l’université Ca’ Foscari de Venise

Appel à communication / CfP : Empire des lettres et tigres de parchemein — International Medieval Congress (Leeds, 7-10 / 07 / 2014)

Les partenaires d’Oriflamms, sous le patronage d’Apices et de Cap Digital, organisent des sessions paléographiques sur le thème ‘Empire’ dans le cadre de l’International Medieval Congress 2014 à Leeds (Royaume-Uni).

(English version below)
(Deutsche Version: siehe unten)
(Versión española abajo)

L’écriture n’est pas un moyen de communication neutre. En particulier, les écritures ont servi, tout au long du Moyen Âge, à mettre en scène l’idée d’Empire, de pouvoir et de domination. Les exemples les plus célèbres en sont les litterae caelestes de l’Antiquité tardive, la curialis de la chancellerie pontificale, les litterae elongatae. La pertinence du concept d’Empire ne se limite cependant pas aux écritures pragmatiques, comme le montrent l’écriture prophétique d’Hildegarde de Bingen pour sa lingua ignota, qui connote l’empire divin, ou encore l’écriture humanistique, aussi dite littera antiqua, qui prétend reproduire l’écriture de l’Antiquité pour la littérature latine classique et, par conséquent, reproduire l’écriture d’une forme disparue de l’Empire. L’écriture a ainsi la possibilité de connoter l’autorité et l’Empire, et d’inspirer le respect.
Aussi ces sessions sont-elles placées conjointement sous le titre de l’étude d’E. T. Bannett sur les manuels épistolaires « Empire of letters » (Empire des lettres), qui montre comment les lettres ont unifié un Empire, et également sous le signe de l’ironie politique des « Tigres de papier », ici, « tigres de parchemin », qui applique dans le domaine paléographique l’idée que des écrits, par leurs particularités graphiques et de mise en forme, puissent susciter admiration, respect et terreur sacrée.
Si la minuscule caroline est un symbole manifeste d’une entreprise à la fois politique et culturelle, elle montre aussi la complexité du lien entre Empire et écriture. Dans le même mouvement, Charlemagne unifiait un espace politique et lui donnait une écriture commune ; ce faisant il unifiait un Empire par ses lettres (la caroline finit par exclure l’usage des écritures dites ‘nationales’ comme la bénéventaine des Lombards ou des autres écritures issues de l’Empire, comme la curialis), mais aussi le domaine scriptural, l’Empire des lettres (la caroline s’impose comme écriture livresque aussi bien que dans le domaine documentaire). Pourtant, la caroline n’est pas une création impériale : elle précède la renovatio imperii et n’est qu’une sélection de formes au milieu d’évolutions multiples, alors que les autres écritures impériales (litterae caelestes, curiales, elongatae) sont des héritières fossilisées de temps prestigieux mais révolus : elles ne sont pas seulement archaïsantes, elles connotent l’autorité de l’Empire.
Le domaine scriptural peut aussi être étudié comme un monde en soi, « l’Empire des lettres », avec sa cohérence et son histoire. Les affiches de maîtres écrivains et de calligraphes, les modèles d’écriture, les écritures spécifiques à un genre (par ex., la « gothique liturgique », l’écriture de la chancellerie impériale), les influences des écritures données ou perçues comme « impériales » ou les conséquences sur l’écriture des prétentions politiques (en France, l’invention de la « mixte » est contemporaine de l’adage « le roi est empereur en son royaume) reflètent l’idée d’un « imperium » distinct, permettant de distinguer des sphères et hiérarchies de pouvoir.
Ces deux grandes dimensions de « l’Empire des lettres », à savoir la connotation de l’Empire par les lettres et la structuration du domaine scriptural (c’est-à-dire le domaine partiellement autonome des écritures), relèvent du présent appel à communication.

Continuer la lecture de Appel à communication / CfP : Empire des lettres et tigres de parchemein — International Medieval Congress (Leeds, 7-10 / 07 / 2014)

Un partenariat internation pour Oriflamms : l’université de Valencia (Espagne)

Après la rencontre de Leeds avec Maria José Castro Bleda et, en partie, grâce au financement du pôle de compétitivité Cap Digital, deux étudiants du département d’informatique de l’Université polytechnique de Valencia (Espagne) sont venus travailler dans les bureaux du LIRIS à Lyon du 21 au 25 juillet 2013. Ils ont notamment présenté la suite logicielle STATE et le projet HITITA.

Le système STATE associe plusieurs modules pour rendre la transcription de documents anciens plus rapide et plus aisée. Avec des fonctionnalités avancées pour préparer les images et analyser la mise en page (colonnes et ligne), il offre la possibilité d’établir des répertoires de glyphes et de corriger aisément le résultat de la reconnaissance optique (au clavier, à la voix ou au stylet sur tablette tactile avec reconnaissance d’écriture manuscrite).

Ces logiciels et recherches sont évidemment en lien avec les travaux d’ORIFLAMMS sur l’écriture médiévale. Des tests ont été effectués sur des manuscrits de notre corpus (en particulier, la Queste du Graal), montrant une capacité d’apprentissage importante, malgré l’absence de modèle linguistique adapté.

Le futur reste à imaginer…

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