Nov, 2023

FATURA: 一种用于文件分析与理解的多布局发票图像数据集

PDF
TL;DRFATURA 是一个包含多样布局、带有标注的发票文档图像的数据集，是迄今为止已知的最大公开可访问的发票文档图像数据集，提供了全面的文档分析和理解任务的基准，并在不同的训练和评估场景下进行实验，为研究人员推动文档分析和理解领域提供了帮助。
document analysisunderstandingannotated datainvoice documentsfatura dataset
发现论文，激发创造
  • PubLayNet：有史以来最大的文档布局分析数据集

    本文提出了 PubLayNet 数据集用于文档布局分析，并证明基于该数据集的深度神经网络模型可以准确地识别科学文章的布局。

    Aug, 2019

  • 利用文本分析和版面特征从扫描的发票图像中提取信息

    OCRMiner 系统使用文本分析技术与布局特征相结合的方法从扫描文档图像中提取 (半) 结构化文档的索引元数据。该系统由多个相互连接的模块组成，使用开源 OCR 系统，其英文数据召回率达 90％，捷克语数据召回率为 88％。

    Aug, 2022

  • 结构化文档中的表格理解

    在复杂的商务文件中，本文研究了表格检测与提取，提出一种利用单模型提取表格中信息的方法，并使用基于单词框、位置嵌入、可训练文本特征和图形的全面页面表示来解决这个问题。我们建立了一个新的数据集，提供了多种基线方法和新的神经网络模型来解决表格识别问题，并详细分析了图卷积和自注意力对模型性能的影响。

    Mar, 2019

  • DocBank: 一个文档布局分析基准数据集

    本文介绍了 DocBank，一个包含 500K 篇文档页面的基准数据集，其中包含细粒度的令牌级别的注释，用于文档布局分析的多模态方法的性能提高研究。实验结果表明，使用 DocBank 训练出的模型可以准确识别各种不同类型的文档的布局信息。

    Jun, 2020

  • M$^{6}$Doc：现代文档布局分析的大规模多格式、多类型、多布局、多语言、多注释类别数据集

    本文介绍了一种名为 $M^{6} Doc$ 的大型多样化文档布局分析数据集和一种基于 transformer 的文档布局分析方法 TransDLANet。该方法采用自适应元素匹配机制和构建分割分支，以更好地匹配真实情况，并且实现更精确的文档图像实例分割，其中 $M^{6} Doc$ 数据集展示了其有效性，并且 TransDLANet 在该数据集上达到了 64.5％的 mAP，该数据集具有多种注释类别的特点。

    May, 2023

  • 具有布局感知能力的基于预训练语言模型的视觉丰富文档信息抽取方法

    本文研究信息提取的问题，使用大型预训练语言模型和图神经网络相结合的模型来高效地编码视觉和文本信息，并引入新的微调目标，通过使用大量未标记的领域内数据来改善领域内无监督微调。我们在真实世界的发票和简历数据集上进行了实验，并表明所提出的方法在发票上的绝对 F1 比强文本基线高出 6.3％ ，在简历中 F1 绝对值增加了 4.7％。在少数样本情况下，我们的方法需要比基线少 30 倍的批注数据才能在约 90％的 F1 达到相同的性能水平。

    May, 2020

  • 具有复杂布局的历史日本文件大型数据集

    本文介绍了一种使用 HJDataset 的深度学习方法，可以准确地分析历史日文文档的布局并提取内容。该数据集包含 250,000 多个布局元素注释和基于半规则的方法构建，旨在提供深度学习模型的基准性能分析。

    Apr, 2020

  • 利用可视化排版组件提高从科学 PDF 文件中提取结构化内容的效果

    本文提出了一种新颖的方法，即 I-VILA 和 H-VILA，可以用于从科学论文的 PDF 文件中准确地提取结构化内容，不需要进行昂贵的额外预训练，并通过在模型输入中加入特殊标记或层次编码来提高分类性能或降低推理时间。

    Jun, 2021

  • AMuRD：跨语言键信息提取与分类的注释多语种收据数据集

    本文介绍了一种用于收据提取的新颖多语言数据集，解决了信息提取和项目分类中的关键挑战，并介绍了 InstructLLaMA 方法，在关键信息提取和项目分类方面实现了 0.76 的 F1 分数和 0.68 的准确性。

    Sep, 2023

  • 银行流程自动化的多模态文档分析

    本研究旨在通过理解先进的文档分析技术，特别是多模态模型，在银行业务的操作效率提升和应对金融科技竞争方面的潜力。通过综合分析多样化的银行文件环境，我们展示了通过自动化和高级分析技术在客户业务中提高效率的机会。借助自然语言处理领域的快速发展，我们阐明了在银行业领域分析各种文件的 LayoutXLM 等模型潜力。该模型可对德国公司注册文件进行文本标记分类，整体 F1 得分约为 80%。我们的实证证据证实了布局信息在提高模型性能方面的关键作用，并进一步强调了整合图像信息的好处。有趣的是，我们的研究表明，仅使用 30% 的训练数据就可以达到超过 75% 的 F1 得分，证明了 LayoutXLM 的高效性。通过解决最先进的文档分析框架，我们的研究旨在提高流程效率，展示多模态模型在银行业务中的实际适用性和好处。

    Jul, 2023