Télécharger le programme

Mohamed Chelali à ICDAR 2026 : quand l’intelligence artificielle redonne vie aux archives photographiques

Du 30 août au 4 septembre 2026, Vienne accueille la 20ᵉ édition d’ICDAR (International Conference on Document Analysis and Recognition), le rendez-vous incontournable de la communauté scientifique internationale travaillant sur l’analyse et la reconnaissance de documents. Parmi les chercheurs présents,  Mohamed Chelali, chercheur post-doctorant au CNRS et à l’Université Paris Cité, au sein du laboratoire ECHELLES présente ses travaux le 3 septembre 2026.

Une recherche à la croisée de la vision par ordinateur et des humanités numériques

Mohamed Chelali s’est construit un parcours original, à l’intersection de l’intelligence artificielle et des sciences humaines. Après une thèse consacrée à l’analyse de séquences temporelles d’images, il a orienté ses recherches vers un champ en pleine expansion : l’application de la vision par ordinateur à l’étude et à la valorisation du patrimoine visuel historique.

Son travail vise à faire dialoguer deux mondes qui se croisent rarement : les méthodes de pointe en analyse documentaire et la richesse contextuelle des fonds d’archives, souvent riches en métadonnées mais encore trop peu exploitées par les outils d’IA actuels.

Le thème de sa présentation : la détection de tampons dans les documents historiques

À ICDAR 2026, Mohamed Chelali présente un poster dans le cadre du workshop DAS (Document Analysis Systems), intitulé :

« Scale-Aware Feature-Level Encoding for Historical Document Stamp Detection »

Ce travail s’attaque à un problème très concret pour quiconque numérise des archives : détecter automatiquement les tampons (cachets commerciaux ou administratifs, sceaux, marques postales…) apposés sur des documents anciens. Ces éléments graphiques sont pourtant une mine d’informations pour les archivistes et les historiens — ils permettent souvent de dater un document, d’en retracer le parcours institutionnel, ou d’authentifier une pièce — mais leur détection automatique reste délicate.

Pourquoi est-ce difficile ? Sur des fonds d’archives anciens, les tampons apparaissent :

• à des échelles très variables selon le type de document, le support ou la numérisation,
• souvent partiellement effacés, superposés au texte ou dégradés par le temps,
• avec des formes et des styles graphiques très hétérogènes d’une époque ou d’une institution à l’autre.

C’est précisément ce problème d’échelle que l’approche présentée cherche à résoudre. Le principe d’un encodage de caractéristiques “scale-aware” consiste à apprendre à représenter les motifs visuels d’un tampon indépendamment de sa taille apparente dans l’image, en combinant l’information extraite à plusieurs niveaux de résolution du réseau de neurones. Concrètement, cela permet au modèle de détecter aussi bien un petit tampon discret dans un coin de page qu’un large cachet occupant une bonne partie du document, sans avoir besoin de règles ou de seuils fixés à la main — une limite bien connue des approches plus classiques de mise en correspondance de motifs (template matching), peu robustes aux changements d’échelle et de rotation.

Ce sujet s’inscrit dans les travaux de Mohamed Chelali sur le dataset FORBIN, où l’exploitation des marques commerciales ou de copyright sur les photographies historiques constitue un enjeu central pour l’analyse automatisée des fonds patrimoniaux dans le cadre du projet ANR High Vision.

Sa présence à ICDAR 2026 est l’occasion d’échanger avec la communauté internationale de l’analyse documentaire sur ces enjeux, et de faire rayonner un travail qui illustre bien ce que peut apporter l’IA à la préservation et à l’exploitation du patrimoine visuel.

---

Le dataset FORBIN est consultable à l’adresse : mchelali.github.io/forbin_dataset

---

---