Aug, 2023

诺加：学术文档的神经光学理解

PDF
TL;DR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。
发现论文，激发创造
  • PEaCE：面向科学文档的光学字符识别数据集

    光学字符识别（OCR）是一项旨在识别图像中存在的文本的已建立任务。本研究旨在通过提出 PEaCE 数据集并评估基于 Transformer 的 OCR 模型的有效性，弥合 Parse PubMed 文章中的表格这个问题，并发现小块大小的模型通过使用所提出的转换在多个领域上训练能够获得最佳性能。

    Mar, 2024

  • 无 OCR 文档理解变压器

    本文介绍了一种名为 “Donut” 的 OCR-free VDU 模型，使用 Transformer 作为简单有效的架构对文档图像进行全面理解，并采用交叉熵损失预训练，通过实验表明该模型在速度和准确性方面达到了各种 VDU 任务的最新表现。

    Nov, 2021

  • 使用循环神经网络进行 PDF 文档鲁棒性转换

    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。

    Feb, 2021

  • 基于文本和图像的多模态深度网络文档分类

    本文介绍了一种多模态神经网络，结合了 OCR 提取的文本和图像信息，来对文献图像进行分类。该方法在 Tobacco3482 和 RVL-CDIP 数据集上的准确率提高了 3%。

    Jul, 2019

  • 清洗珠：基于 Google OCR 藏文手稿的神经拼写校正模型

    本篇论文介绍了一种使用 OCR 技术对西藏手稿进行数字化处理并采用神经拼写纠正模型进行自动纠正噪声输出的方法， 通过 Transformer + 置信度得分机制，证明该方法比 Transformer，LSTM-2-LSTM 和 GRU-2-GRU 架构更为优越，为人文社科领域研究提供了方便。

    Apr, 2023

  • 通过自然语言处理进行后处理以改善光学字符识别的新型流程

    提出了一种使用自然语言处理（NLP）工具的后处理方法，在手写或打印文本上先进行光学字符识别（OCR），然后使用 NLP 提高其准确性。

    Jul, 2023

  • 语料库转换服务：一个机器学习平台，可实现大规模文档摄取 [海报摘要]

    本文介绍了一种机器学习的文献采集平台，能够帮助用户快速提取具备结构化的文本信息，有效性能表现在数据转换及多种方面已经得到证实。

    May, 2018

  • DUBLIN -- 语言 - 图像网络理解文档

    通过预训练 DUBLIN 模型，利用文档图像中的空间和语义信息，包括 Masked Document Content Generation Task、Bounding Box Task 和 Rendered Question Answering Task，实现对象检测和文档图像理解，在各项基准测试中优于现有模型，尤其在 WebSRC 数据集，其 EM 值和 F1 值分别为 77.75 和 84.25，与文本型 SOTA 方法具有可比性。

    May, 2023

  • 使用多层感知器识别文本图像

    该篇论文介绍了如何应用神经网络和反向传播算法实现光学字符识别（OCR）并转换为可编辑机器可读的数字文本格式。

    Dec, 2016

  • 提高光学字符识别文本自然语言处理准确性的框架

    本文介绍了一种有效的框架，使用实体识别作为示例，通过构建文档合成流水线，生成具有实际应用价值的有损数据并训练文本修复模型，从而解决 OCR 错误导致的实体识别精度下降问题。

    Aug, 2021