Mar, 2022

TableFormer: 基于 Transformer 的表格结构理解

PDF
TL;DR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。
table-structure identificationobject detection decodertransformer based decoderstable-content extractionpdf source
发现论文，激发创造
  • 基于图像的表格识别：数据、模型和评估

    本研究提出了一个基于编码器 - 解码器结构的深度学习模型，用于将表格图像转换为 HTML 代码，并使用一种新的基于 Tree-Edit-Distance 相似度（TEDS）度量方法实现表格识别，实验结果表明所提出的模型在复杂表格识别方面具有优秀的表现。

    Nov, 2019

  • 科学表格格式和内容提取到 LaTeX

    本文提供了一种基于 Transformer 的科学表格结构和内容提取方法，能够解决 PDF 研究文档中存在的跨度单元格和公式等复杂因素，最终精确匹配表格结构和内容，并高效识别表格的各种特征。

    Oct, 2022

  • TableFormer：表格文本编码的鲁棒 Transformer 建模

    提出了一种结构完整和鲁棒性强的表格文本编码架构 TableFormer，通过可学习的注意力偏置完全融合了表格结构偏差，进一步强化了对表格的理解能力，在 SQA、WTQ 和 TabFact 等表理解数据集方面优于强基线，尤其在面对具有答案不变的行列顺序扰动时，相对于最佳基线的提升达到 6％。

    Mar, 2022

  • 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

  • 使用表格语言模型在工业表格中进行命名实体识别

    本文研究如何将基于 transformer 的模型应用于工业级别的表格数据中的实体识别问题，并开发了一种专用的表格数据增强策略来提高性能，实验证明表格的归纳偏差对于 transformer-based 模型的收敛至关重要。

    Sep, 2022

  • 高性能表格结构识别所需的早期卷积

    在表结构识别中，我们设计了一个轻量级的视觉编码器，通过使用卷积网络作为起始模块以达到高性能的目的，并提供了可重现性的剔除研究和开源代码以促进在我们的领域中的透明度、激发创新和促进公平比较。

    Nov, 2023

  • 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

  • 基于可变形变换器的端到端半监督表格检测

    本论文提出了一种新的端到端半监督表格检测方法，采用可变形转换器。在 PubLayNet、DocBank、ICADR-19 和 TableBank 数据集上评估了该方法，相较于之前的方法表现更出色。

    May, 2023

  • 使用 TabT5 进行表格到文本生成和预训练

    TABT5 是编码器 - 解码器模型，可以生成基于表格和文本输入的自然语言文本，结合表格特定的嵌入和预训练，成功地克服了编码器的限制，并在多个领域取得了最新的最佳结果。

    Oct, 2022

  • 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