May, 2023

LineFormer：重新思考线图数据提取 —— 作为实例分割

PDF
TL;DR本文提出了一种基于实例分割的数据线提取方法（LineFormer），在多个基准数据集上取得了最优性能，是提高自动文档理解中数据抽取的关键技术之一。
data extractionline-chart imagesautomated document understandinginstance segmentationperformance
发现论文，激发创造
  • 线条图形数字化：迈向完全自动化的一步

    本文提出了一个细粒度数学图形的视觉理解任务，提供了 Line Graphics 数据集并测试了七种不同的计算机视觉模型来支持此任务，可应用于语义分割和对象检测。

    Jul, 2023

  • 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

  • Scatteract：散点图数据自动提取

    该研究介绍了一种完全自动化的系统，利用深度学习技术识别散点图中的关键组成部分，并利用光学字符识别和鲁棒回归从图像中提取散点数值，该方法可以成功从 89% 的测试数据中提取数据。

    Apr, 2017

  • ChartReader: 无启发式规则的图表解除渲染和理解的统一框架

    ChartReader 是一个统一的框架，它无缝地集成了图表 derendering 和理解任务。它使用基于转换器的图表组件检测模块和扩展的预训练视觉语言模型进行学习，该方法通过从注释数据集中自动学习图表规则来消除手动规则制定的需求，同时提高准确性。它在图表到表格、ChartQA 和图表到文本任务上进行评估，证明其优于现有方法。

    Apr, 2023

  • ChartFormer: 将图表图像转换为触觉可访问的 SVG 的大型视觉语言模型

    通过图表分析，将光栅图像转换为触觉可访问的 SVG，以提高可视图表的可访问性。

    May, 2024

  • 数据可视化字幕生成模型的线状图示

    本文介绍了一种新的制图注释数据集 LineCap，还探讨了使用端到端的深度学习模型进行自动图注的相关应用和难点。

    Jul, 2022

  • ChartParser：面向印刷障碍者的自动图表解析

    本文介绍了一种利用深度学习、OCR 和图像处理技术的自动化流程 ChartParser，可以将研究论文中的图表提取出来，进行分类，提取有用信息，并以易于使用的表格格式呈现给盲人、低视力和其他印刷受限 (BLV) 的人群。我们还对该方法进行了详细的评估。

    Nov, 2022

  • 一种可扩展的基于点的数据图表值检测方法

    通过使用点建议网络，我们提出了一种可扩展的方法来识别语义点，以便从科学文章中反向工程（提取值），特别是数据图表。我们的模型能够准确检测复杂的条形图中的显著点，并且在合成的图表上也表现出很好的性能。

    Aug, 2023

  • ChartReformer: 自然语言驱动的图表图像编辑

    利用自然语言的图表图像编辑解决方案 ChartReformer 可编辑图像的外观，消除了对原始数据和信息的需求，从而实现了更精确的编辑。

    Mar, 2024

  • DUFormer：航拍图像中电力线路分割的一种新型架构

    该论文提出了一种用于航空图像中的电力线检测的语义分割算法 DUFormer，该算法采用具有强归纳偏差的卷积神经网络，以及一个重量级令牌编码器，负责重叠特征再挖掘和标记化，结果显示该算法在公开可用的 TTPLA 数据集上的电力线分割任务中达到了最先进水平的表现。

    Apr, 2023