Apr, 2018

基于显著性的卷积神经网络用于数字化文档中表格和图表的检测

PDF
TL;DR本文使用深度卷积神经网络、图形模型和关注点概念相结合的方法，设计了一种用于数字文本中表格和图表检测和定位的深度神经网络，其结果在 ICDAR 2013 数据集中表现良好。
deep convolutional neural networksdocument analysisinformation extractiontable detectionchart detection
发现论文，激发创造
  • 使用图神经网络重新思考表格识别

    本文提出一种基于图网络架构的表格识别方法，在视觉特征提取方面融合了卷积神经网络的优势；实验证明该方法优于基准线方法。此外，为了解决大规模数据集问题，文中提出了一种合成数据集，并开源了数据集生成及图网络训练框架，以推进研究的可复制性。

    May, 2019

  • 深度监督循环卷积神经网络用于显著性检测

    本文提出了一种使用深度监督复发卷积神经网络（DSRCNN）实现完整图像显著性预测的新型显著性检测方法，经过在 VGGNet-16 上基于重复连接和边缘输出层的优化设计，测试验证结果在五种基准数据集上均显著优于目前显著性检测领域的相应方法。

    Aug, 2016

  • DeepSaliency：多任务深度神经网络模型用于显著目标检测

    本研究提出了一种基于全卷积神经网络的多任务深度显着性模型，通过数据驱动的策略对显着性先验信息进行编码，并设置一个多任务学习框架来探索显着性检测和语义图像分割之间的内在相关性。实验结果表明，与现有方法相比，该方法在显着性对象检测方面具有明显的优势。

    Oct, 2015

  • 基于多尺度深度 CNN 特征的视觉显著性检测

    本研究采用深度卷积神经网络来提取多尺度特征，实现了高质量的图像显著性模型，另外还结合了手工特征，取得了很好的效果，提供了一个相应的实验数据集。

    Sep, 2016

  • 基于对比的深度神经网络用于显著物体检测

    本文提出了一种基于深度对比型深度神经网络的反卷积模型进行显著性目标检测的方法，能够解决现有方法中时间和精度的局限性，并且在多个基准数据集上都表现出良好的性能。

    Mar, 2018

  • CascadeTabNet：一种端到端的基于图像文档的表格检测和结构识别方法

    本篇论文提出使用单个深度卷积神经网络（CNN）模型的改进型深度学习端到端方法：CascadeTabNet，用于解决表格检测和结构识别的两个问题，并通过有效的迁移学习和图像增强技术在 ICDAR 2013、ICDAR 2019 和 TableBank 数据集上达到了最佳结果。

    Apr, 2020

  • TableNet: 一种深度学习模型，用于从扫描文档图像中端到端地检测表格并提取表格数据

    本文介绍了 TableNet—— 一种新颖的端到端深度学习模型，用于识别文档图像中的表格，并提出了一种语义规则的行提取方法，结果表明该模型在两个公开数据集（ICDAR 2013 和 Marmot Table）上都达到了最佳性能，并能通过给模型添加额外的语义特征进行性能提升，同时表明该模型对数据集的迁移学习效果良好。

    Jan, 2020

  • 通过单个深度神经网络从图表中提取数据

    本文介绍了一种基于深度神经网络的自动数据提取框架，用于解决处理不同类型图表时的对象关系，文本识别和对象匹配问题，并成功处理 79.4% 的模拟条形图和 88.0% 的模拟饼图，但对于训练域外的图表性能下降 57.5% 和 62.3%。

    Jun, 2019

  • TableSense 用卷积神经网络进行电子表格识别

    TableSense 是一种端到端的框架，利用卷积神经网络的成功应用于计算机视觉中，采用有效的单元格特征化方案，增强的卷积神经网络模型和有效的不确定性指标来引导基于主动学习的智能采样算法，使训练数据集高效构建，有效提高电子表格表格检测的准确度。

    Jun, 2021

  • 浅层卷积网络和深度卷积网络用于显著性预测

    本文提出了一种使用卷积神经网络（Convnet）进行显著区域预测的全数据驱动方法，其训练过程通过损失函数对 Euclidean 距离进行测量，利用大量的显著性预测数据进行端到端的快速和精确的架构设计，并提出了两种模型架构解决方案，是首个训练和测试用于显著性预测的端到端卷积神经网络。

    Mar, 2016