EMNLPNov, 2023

Deepparse: 一个可扩展、可微调的最先进的多国街道地址解析库

PDF
TL;DR这篇文章介绍了 Deepparse，它是一个 Python 开源、可扩展、可调优的地址解析解决方案，使用最先进的深度学习算法进行多国地址解析，并在 60 多个国家进行了评估。它可以解析任何语言和任何地址标准编写的地址。预训练模型在用于训练的国家上达到了平均 99% 的解析准确率，无需预处理或后处理。此外，该库支持使用新数据进行微调，生成自定义的地址解析器。
发现论文，激发创造
  • 语义依存分析的深度多任务学习

    本文介绍了一种基于深度学习的语义依存图形式分析系统，该系统采用效率高且几乎拓扑结构简单的推理方法，通过组合双向 - LSTM 和多层感知机，能够在不使用手工特征或语法的情况下显著提高语义依存分析的技术水平。作者还对多任务学习策略进行了研究，并获得了新的技术成果。

    Apr, 2017

  • 人类解析的深度学习技术：调查和展望

    本文综述了基于深度学习的人体解析技术在图像和视频领域中的研究进展和挑战，并提出一种基于 Transformer 的高性能人体解析框架，同时还提出了未来研究的方向和待解决的问题。

    Jan, 2023

  • DocParseNet：高级语义分割和 OCR 嵌入用于高效扫描文档标注

    DocParseNet 是一种将深度学习和多模态学习相结合的模型，通过处理文本和图像数据来自动化扫描文档的标注，实现了快速而准确的文档注释以及在语义处理方面的突破。

    Jun, 2024

  • 语义解析的深度体系结构

    本文介绍了一种新颖的深度学习架构，通过将两个语言语义的神经模型相结合，提供了一个语义分析系统，无需解析即可从自然语言语句和问题中生成本体库特定的查询，使其特别适用于语法错误或句法非典型的文本，例如 Twitter，也允许开发受资源限制的语言的语义解析器。

    Apr, 2014

  • SketchParse : 基于多任务分层深度网络的手绘图像丰富描述

    本论文提出了 SketchParse，一个深度神经网络架构，用于完全自动地解析手绘对象素描，并应用于物体识别和图像检索。SketchParse 的设计采用了双层卷积网络，其中第一层包含所有对象类别的共享层，第二层包含许多专家子网络。除此之外，还介绍如何利用辅助任务物体姿态预测来提高 SketchParse 的性能。

    Sep, 2017

  • 一次性读取、标记和解析，或完全神经依存句法分析

    用单个深度神经网络实现的依赖关系解析器，无需词性标注即可直接生成依存关系及其标签，经过多任务学习和适当的正则化和额外监督训练，在没有语言特征的情况下，在斯拉夫语 UD 树库中表现为最高准确性。

    Sep, 2016

  • 为了准确的多人解析升级 Parsing R-CNN

    该论文介绍了 Renovating Parsing R-CNN (RP R-CNN) 模型，它采用了全局语义增强的特征金字塔网络和解析重新评分网络，以提高多人解析中的全局认知度和准确实例分割得分，并在 CIHP 和 MHP-v2 数据集上表现出优异的性能。

    Sep, 2020

  • LayoutParser：基于深度学习的文档图像分析统一工具集

    这篇论文介绍了名为 layoutparser 的开源库，使用 DL 模型来简化文档图像分析（DIA）研究和应用，并旨在提供轻量级和大规模数字化管道的帮助。

    Mar, 2021

  • 从文档中进行端到端信息提取 -- 出席、复制、解析

    本文提出了一种深度神经网络模型 ——Attend，Copy，Parse，该模型可直接在端到端数据上进行训练，跳过了创建复杂的单词级标签的需求，因此被认为在许多现实生活信息提取任务中可以使用。

    Dec, 2018

  • API 中的多语言语义解析

    通过训练多个数据集和自然语言的模型，实现多语言语义解析，将文本转换为代码标识，通过图形解码框架并在多个基准测试中取得了最优表现。

    Mar, 2018