AAAIFeb, 2021

使用循环神经网络进行 PDF 文档鲁棒性转换

PDF
TL;DR本文提出了一种新的 PDF 文档结构恢复方法，使用递归神经网络处理低级 PDF 数据表示，具有更高的准确性和更详细的文档结构分辨率，同时避免了数据量和计算成本问题，为信息检索提供了一种新思路。
pdfdocument structure recoveryrecurrent neural networksinformation retrievaltext flow
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

  • 反卷积段落表示学习

    本研究通过提出一种基于卷积自编码的序列到序列的方法，解决了长文本序列编码与解码时 RNN 存在的问题，同时具有良好的重构和校正能力，适用于自然语言处理中众多应用。在半监督文本分类和摘要生成任务中的定量评估表明，该方法可以更好地利用长篇未标注的文本数据。

    Aug, 2017

  • 透過递归神经网络实施全解析度图像压缩

    通过神经网络构建一套高效率图像压缩方法，新架构由编码器、解码器、二值化器和熵编码神经网络组成，可变压缩比率，能在感知度量上对 JPEG 进行改善，并取得了最好的表现。

    Aug, 2016

  • 强化学习神经架构搜索

    利用递归神经网络生成神经网络模型描述，并通过强化学习训练，使生成的结构在验证集上的预期精度最大化，可以在多个数据集上实现新型神经网络模型设计，其中 CIFAR-10 模型的测试误差率为 3.65％，优于先前采用类似结构的 SOTA 模型； 在 Penn Treebank 数据集上，生成的递归单元的测试置信度比先前 SOTA 模型提高了 3.6 和 1.214。

    Nov, 2016

  • 诺加：学术文档的神经光学理解

    我们提出了一种名为 Nougat 的神经光学理解学术文档的模型，它使用光学字符识别（OCR）将科学文档转换为标记语言。该方法有效地提高了数字时代科学知识的可访问性，将人类可读文档和机器可读文本之间的鸿沟缩小。我们发布了相关模型和代码以促进科学文本识别的未来工作。

    Aug, 2023

  • CloudScan - 使用递归神经网络的零配置发票分析系统

    CloudScan 是一款零配置或预注释的发票分析系统，采用自动提取的用户反馈数据训练一个能够捕捉长距离语境的循环神经网络模型，实现对未知发票布局的有效处理。

    Aug, 2017

  • 使用循环神经网络的科学话语中基于从句级别的结构化预测的实验分割

    本研究提出了一个基于深度学习的模型，通过序列标注和注意力机制，对科学文献中实验叙述中的结构进行识别，并比较了不同模型的效果和可能的应用。

    Feb, 2017

  • 用双向递归神经网络进行具有结构的标记的令牌级别标注

    利用深度循环神经网络的双向表示方法，将句子的二叉分析树作为结构信息，结合单词向量的初始表示方法，提出了一种可以捕捉输入附近的结构信息用于标记实例的新架构，并在情感表达提取任务上进行了初步实验。

    Dec, 2013

  • 利用远程监督神经网络提取科学图表

    本文介绍了一种通过大规模科学文档数据集训练，实现无人干预的科学图表自动提取的方法，并获得了高精度模型以及数据集，成功用于 13 百万学术文献的提取。

    Apr, 2018

  • 递归自编码器用于文档布局生成

    本文提出了一种名为 READ 的新框架，利用递归自动编码器生成大量和多样的文档 2D 布局，其中采用了一种递归的方法来提取文档的结构分解，并利用标注边界框的文档数据集对此进行了学习，从而获得了结构表示形式，并将其映射到高斯空间，从而生成新的文本布局，同时，还引入了一种组合度量来测量文档布局之间的结构相似性，并证明了所生成文档布局的高可变性和实际性，在文本检测任务中证明了所生成布局的作用。

    Sep, 2019