Les femmes dans l'économie sociale et solidaire : un idéal subordonné au genre ?
Première édition
À travers l'analyse conjointe des praticien.ne.s et chercheur.e.s, ce numéro des Cahiers du Cirtes souhaite participer à l’effort de co-production des savoirs qui caractérise les organisations initiées par des femmes pour réaliser, ensemble, une finalité sociale et solidaire. Lire la suite
À travers l'analyse conjointe des praticien.ne.s et chercheur.e.s, ce numéro des Cahiers du Cirtes souhaite participer à l’effort de co-production des savoirs qui caractérise les organisations initiées par des femmes pour réaliser, ensemble, une finalité sociale et solidaire. Ce numéro des Cahiers du Cirtes s’appuie à la fois sur des contributions au colloque « Entreprendre au pluri’elle : les femmes actrices de l’économie sociale et solidaire » co-organisé en 2014 par l’Agence pour le développement de l’économie locale (ADEL) membre du MES (Mouvement de l’économie solidaire), le labo de l’ESS et le CIRTES, et sur des contributions sollicitées auprès de chercheur.e.s féministes travaillant sur l’économie sociale et solidaire.
Les contributions de ce numéro s’attachent non seulement à rendre visible le caractère commun des difficultés vécues par les femmes dans les pays du Nord et du Sud, mais aussi à rendre compte des raisons concrètes de s’associer, directement liées au positionnement des femmes dans la division sexuelle du travail, pour créer collec ti vement des activités économiques et solidaires.
Pour plus d'informations à propos de la TVA et d'autres moyens de paiement, consultez la rubrique "Paiement & TVA".
Les commandes en ligne se font via notre partenaire i6doc.
Spécifications
- Éditeur
- Presses universitaires de Louvain
- Coordination éditoriale de
- Magalie Saussey,
- Collection
- Cahiers du CIRTES | n° 16
- Langue
- français
- Catégorie (éditeur)
- Sciences économiques et sociales > Sciences économiques > Economie sociale
- BISAC Subject Heading
- BUS000000 BUSINESS & ECONOMICS
- BIC subject category (UK)
- KC Economics
- Code publique Onix
- 05 Enseignement supérieur
- CLIL (Version 2013-2019 )
- 3312 Économie publique, économie du travail et inégalités
- Date de première publication du titre
- 21 février 2018
- Type d'ouvrage
- Numéro de revue
Livre broché
- Date de publication
- 01 janvier 2007
- ISBN-13
- 978-2-87463-058-3
- Ampleur
- Nombre de pages de contenu principal : 168
- Code interne
- 75481
- Format
- 14,5 x 20,5 x 1 cm
- Poids
- 219 grammes
- Prix
- 10,40 €
- ONIX XML
- Version 2.1, Version 3
Google Livres Aperçu
Publier un commentaire sur cet ouvrage
Si vous avez une question, utilisez plutôt notre formulaire de contact
Sommaire
Foreword . . . . . . . . . . . . . . . . . . . . . . . . . . vii
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . ix
Acknowledgement . . . . . . . . . . . . . . . . . . . . . xi
Table of Contents . . . . . . . . . . . . . . . . . . . . . . xiv
List of Acronyms . . . . . . . . . . . . . . . . . . . . . . xxv
1 Introduction 1
1.1 Current Document Analysis . . . . . . . . . . . . . 1
1.2 What is Natural Scene Text? . . . . . . . . . . . . 2
1.3 Numerous Applications . . . . . . . . . . . . . . . 5
1.4 Text Understanding System: Main Steps . . . . . . 7
1.5 Challenges and Overview of Problem Bounds . . . 9
1.6 Overall Structure . . . . . . . . . . . . . . . . . . . 10
2 Image Formation and Representation 13
2.1 Image Formation: Why do Colors Vary for the same Object? . . . . . . . . . . . . . . . . . . . . . 13
2.1.1 Light . . . . . . . . . . . . . . . . . . . . . . 13
2.1.2 Object . . . . . . . . . . . . . . . . . . . . . 14
2.1.3 Camera . . . . . . . . . . . . . . . . . . . . 17
2.2 Image Representation: Why do Different Color Spaces Exist? . . . . . . . . . . . . . . . . . . . . . 18
2.3 To Summarize... . . . . . . . . . . . . . . . . . . . 22
3 Background and Literature Survey of Text Understanding 23
3.1 State-of-the-Art of Text Extraction . . . . . . . . . 23
3.1.1 Thresholding-based methods . . . . . . . . 24
3.1.2 Grouping-based methods . . . . . . . . . . 27
3.1.3 Extensively used clustering methods in text extraction . . . . . . . . . . . . . . . . . . . 30
3.1.4 Challenges . . . . . . . . . . . . . . . . . . 34
3.2 Required Pre- and Post-Processing Steps for Efficient Text Understanding . . . . . . . . . . . . . . 34
3.2.1 Pre-processing steps of text extraction . . . 35
3.2.2 Post-processing steps of text extraction . . 37
3.2.3 Challenges . . . . . . . . . . . . . . . . . . 39
4 Text Understanding System 41
4.1 Text Understanding Chain . . . . . . . . . . . . . . 41
4.2 Material and Databases . . . . . . . . . . . . . . . 44
5 Resolution Enhancement 47
5.1 Resolution Enhancement for Still Images . . . . . . 48
5.2 Super-Resolution for Video Frames . . . . . . . . . 49
5.2.1 Context of super-resolution algorithms . . . 50
5.2.2 Color super-resolution text . . . . . . . . . 61
5.3 SURETEXT - Super-Resolution Text . . . . . . . 62
5.3.1 Motion estimation using the Taylor series . 62
5.3.2 Unsharp masking using the Teager filter . . 64
5.3.3 Outlier frame removal . . . . . . . . . . . . 66
5.3.4 Median denoising . . . . . . . . . . . . . . . 66
5.4 Experiments and Results . . . . . . . . . . . . . . . 67
5.4.1 Evaluation of SURETEXT . . . . . . . . . 67
5.4.2 Comparison with state-of-the-art SR algorithms . . . . . . . . . . . . . . . . . . . . . 71
5.4.3 Computation cost . . . . . . . . . . . . . . 72
5.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . 73
6 Text Extraction 75
6.1 Impact of Color Spaces and Clustering Algorithms 75
6.1.1 Is there a better color space for NS text extraction? . . . . . . . . . . . . . . . . . . . 75
6.1.2 Considerations on different clustering algorithms . . . . . . . . . . . . . . . . . . . . . 77
6.1.3 Evaluation of color representation with state-of-the-art clustering algorithms . . . . 79
6.2 Role of Metrics in K-means . . . . . . . . . . . . . 83
6.2.1 Definition of some metrics, either distances or similarities . . . . . . . . . . . . . . . . . 83
6.2.2 Noteworthy properties of angle-based similarities and complementarity with the Euclidean distance . . . . . . . . . . . . . . . . 86
6.2.3 Evaluation of several metrics . . . . . . . . 88
6.3 SMC - Selective Metric Clustering for Text Extraction . . . . . . . . . . . . . . . . . . . . . . . . . . 92
6.3.1 Color reduction and color inversion . . . . . 92
6.3.2 Utilization of a multi-hypothesis text extraction . . . . . . . . . . . . . . . . . . . . 94
6.3.3 Extraction-by-segmentation . . . . . . . . . 96
6.3.4 SMC evaluation and results . . . . . . . . . 98
6.4 Conclusion of the Selective Metric Clustering Technique . . . . . . . . . . . . . . . . . . . . . . . . . . 100
7 Unit-based Segmentation 103
7.1 Line and Word Segmentation . . . . . . . . . . . . 103
7.1.1 Line segmentation . . . . . . . . . . . . . . 104
7.1.2 Word segmentation . . . . . . . . . . . . . . 105
7.2 Character Segmentation using Log-Gabor Filters . 106
7.2.1 Is character segmentation still useful? . . . 106
7.2.2 Why are log-Gabor filters appropriate for NS character segmentation? . . . . . . . . . 109
7.2.3 Character segmentation-by-recognition . . . 112
7.2.4 Evaluation . . . . . . . . . . . . . . . . . . 118
7.3 Conclusion of the Log-Gabor-based Character Segmentation . . . . . . . . . . . . . . . . . . . . . . . 121
8 Considerations on NS Character Recognition and Correction 123
8.1 NS Character Recognition . . . . . . . . . . . . . . 123
8.1.1 What is done in NS character recognition? 123
8.1.2 Description of the exploited recognition system . . . . . . . . . . . . . . . . . . . . . . 125
8.1.3 Conclusion on considerations of character recognition . . . . . . . . . . . . . . . . . . 131
8.2 Recognition-by-Correction . . . . . . . . . . . . . . 131
8.2.1 Context of OCR correction . . . . . . . . . 131
8.2.2 Lexicon-based non-word error correction . . 134
8.2.3 Evaluation . . . . . . . . . . . . . . . . . . 137
8.2.4 Conclusion on recognition-by-correction . . 141
8.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . 142
9 Conclusion 143
9.1 Conclusions and Contributions . . . . . . . . . . . 143
9.2 Interesting Prolongations and Discussion . . . . . . 147
A Color Spaces Conversion 165
B Expectation-Maximization 173