ICCVJun, 2021

TGRNet: 用于表格结构识别的表格图重建网络

PDF
TL;DR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。
table recognitiontable graph reconstructioncell detectionlogical locationtgrnet
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

  • 使用双向门控循环单元网络进行表格结构提取

    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。

    Jan, 2020

  • 复杂表格结构识别

    本论文提出了一种名为 GraphTSR 的新型图神经网络，用于在 PDF 文件中识别表的结构，其通过预测单元之间的关系来识别表结构，并构建了一个大规模的表结构识别数据集 SciTSR，该模型对于复杂的表具有很高效性，并超过了基准数据集和新构建的数据集中的现有模型。

    Aug, 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

  • GridFormer：通过格网预测实现准确的表结构识别

    基于表格可以表示为网格的观察，我们提出了 GridFormer，一种通过预测网格的顶点和边来解释不受约束的表格结构的新方法。我们引入了一种 DETR 风格的表格结构识别器，通过一次预测获得网格的多目标信息。对包括有线、无线、多合并单元、定向和扭曲表格在内的五个具有挑战性的基准进行的大量实验证明了我们模型相对于其他方法的竞争性能。

    Sep, 2023

  • 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

  • 使用多粒度图表示学习检索复杂表格

    提出了一种基于图的表格检索框架，该框架可以通过学习多颗粒度图表表示来处理复杂的布局，包括表头嵌套，进而实现自然语言表检索问题的泛化。

    May, 2021

  • 神经协同图机器用于表结构识别

    本文提出了基于深度图模型的神经协作图机器（Neural Collaborative Graph Machines，NCGM）用于异构表结构识别，通过堆叠协作块交替提取内部模态上下文，并分层地建模内部 - 内部、内部 - 外部及外部 - 外部间的跨模态关系，从而实现更加鲁棒的表格元素识别效果。通过对比实验，验证了该方法对处理不同种类和多样复杂表格的性能比其他现有方法更优。

    Nov, 2021

  • TRACE：基于角落和边缘对齐的表格重构

    该论文提出了一种基于底层特征分离的新方法，将表格分解成单元格，通过单元格的组合确定表格位置，大幅提升了检测表格的效率和精度。

    May, 2023

  • 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