Jan, 2020

使用双向门控循环单元网络进行表格结构提取

PDF
TL;DR本文提出了一种基于深度学习的方法，它首先对表格图像进行预处理，然后将其输入到具有门控循环单元（GRU）的双向循环神经网络中，最终将结果分类为行分隔符或列分隔符。该方法在表格结构提取方面取得了显著的性能提升。
table structure extractiondeep learningrow-column identificationocrdocument understanding
发现论文，激发创造
  • TGRNet: 用于表格结构识别的表格图重建网络

    本文在于研究表格结构识别问题，提出了一种端到端可训练的表格图重建神经网络 TGRNet，该方法成功地解决了表格的结构识别问题。

    Jun, 2021

  • 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

  • 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

  • TableFormer: 基于 Transformer 的表格结构理解

    本文提出了一种新的表格结构识别模型，通过引入新的对象检测解码器和基于 transformer 的解码器，能够更准确地提取表格内容并处理各种形式的表格。

    Mar, 2022

  • 使用自上而下和自下而上线索的表格结构识别

    本研究提出了一种识别具有复杂结构，密集内容和不同布局的表格的方法，其不依赖于元特征和 OCR，并结合单元检测和交互模块来本地化细胞并预测它们与其他检测到的单元的行和列关联，同时将结构约束作为细胞检测损失函数的附加差分组件，从而将自上而下和自下而上的线索结合在一起，实现对表格的视觉理解

    Oct, 2020

  • 结构化文档中的表格理解

    在复杂的商务文件中，本文研究了表格检测与提取，提出一种利用单模型提取表格中信息的方法，并使用基于单词框、位置嵌入、可训练文本特征和图形的全面页面表示来解决这个问题。我们建立了一个新的数据集，提供了多种基线方法和新的神经网络模型来解决表格识别问题，并详细分析了图卷积和自注意力对模型性能的影响。

    Mar, 2019

  • 异构文档图像中的鲁棒表格检测和结构识别

    RobusTabNet 是一种新的具有表检测和结构识别功能的方法，可检测表格的边界，并从异构文档图像中重建每个表格的细胞结构。我们提出了使用 CornerNet 作为新的区域提议网络进行表检测，并提出了基于分割和合并的表格结构识别方法。

    Mar, 2022

  • TabularNet: 一种理解表格数据语义结构的神经网络架构

    提出了一种名为 TabularNet 的新型神经网络结构，采用 CNN 模型来进行表格数据的空间编码，并且利用基于 WordNet 树的图构建方法来进行单元格之间复杂的关系编码，结果表明该方法有效提高了表格分类任务的精度.

    Jun, 2021

  • 全局表格抽取器（GTE）：使用视觉上下文进行联合表格识别和单元格结构识别的框架

    本文介绍了全局表格提取器（GTE），它是一种由视觉引导的系统框架，旨在通过基于自然单元格包含约束的新型罚函数来训练表格网络，以检测表格和单元格结构，结合表格风格，设计一种新的分层单元格检测网络，并定期标记表格和单元格结构以便成为训练数据。实验证明，GTE 在表格检测和单元格结构识别方面超过之前的最先进结果，并且在新的跨域 FinTabNet 数据集上的实验表明，在单元格结构识别方面比 vanilla RetinaNet 的物体检测模型提高了 45% 以上。

    May, 2020

  • TC-OCR：高效检测与识别表格结构和内容的 TableCraft OCR

    我们提出了一种端到端的流程，通过集成深度学习模型实现图像中的表格自动识别，解决了表格检测、表格结构识别和表格内容识别的问题，提高了准确性和效率。

    Apr, 2024