Dans le domaine de l'apprentissage supervisé, les approches basées sur les réseaux neuronaux se sont révélées efficaces pour résoudre des problèmes difficiles. Cependant, ces réseaux, et particulièrement les Deep Neural Networks, nécessitent une grande quantité d’images annotées. En fait, de nombreuses applications n’ont pas toutes les images annotées. Les images doivent être simultanément reconnues et annotées au fur et à mesure. L’apprentissage doit donc s’effectuer en continu. L'utilisateur supervise toute la phase d'entraînement et corrige les erreurs afin de réentraîner progressivement les réseaux avec les données corrigées. Dans cette nouvelle utilisation, l'objectif à atteindre n'est pas le taux d'erreur le plus faible, mais la réduction du temps total pour annoter, corriger et entraîner les réseaux de neurones. Pour évaluer l'efficacité de notre approche, nous comparerons le temps total pour parvenir à la reconnaissance par une approche continue avec une approche classique de deep learning avec les temps d'annotation manuelle de l'ensemble de la vérité terrain et de correction des erreurs.