Dec, 2023

基于区域细化框架的科学文档物体识别

PDF
TL;DR通过基于规则的区间分割和文本块分类的方法，我们提出了一种新的科学文档布局分析框架 CTBR（Compartment & Text Blocks Refinement），用于从科学文档中提取数据和实现对象识别。
data extractionscientific documentsrule-based methodsmachine learningdocument layout analysis
发现论文，激发创造
  • 从学术文章中提炼文本分类和物体识别的框架

    本论文提出了一种机器学习与基于规则的混合方法，称为 TBRF，用于数据挖掘学术论文中的特定信息，通过分析学术论文中的标准布局和排版方法，通过实验验证表明，该方法可以在分类准确率和表格及图片检测准确率方面达到超过 95% 和 90% 的精度。

    May, 2023

  • 科学文献中的定理和证明的多模态机器学习

    使用多模态分类方法从数学文章中提取定理环境和证明，包括文本、字体信息和位图渲染等多个模态，并采用序列信息进行特征融合和模型训练。实验证明多模态方法比单一模态更有效，并且采用基于条件随机场的块序列建模可以显著提高性能。

    Jul, 2023

  • 一种灵活框架的零样本文档级问答检测、检索和理解

    本文提出了一种三阶段文件 QA 方法，包括从 PDF 中提取文本，从提取的文本中检索证据以形成良好的上下文，以及从上下文中提取 3 种类型的知识（抽取式、生成式或布尔式）。通过对 QASPER 的评估，DRC 系统在交付更优的上下文选择的同时，Answer-F1 达到了 +7.19 的提高。结果表明，DRC 在科学文献 QA 中有很大的亮点。

    Oct, 2022

  • 从标记文件中提取突出的句子

    本文介绍了一种分层卷积文档模型，其架构旨在支持文档结构的内省，使用计算机视觉文献中的可视化技术来识别和提取主题相关的句子，同时引入了一种新的可扩展的自动句子提取系统的评估技术，避免了耗时的人工验证数据注释的需要。

    Dec, 2014

  • 科学文献元数据提取的新方法

    本研究提出了一种自动、准确和灵活的算法，能够从数字化科学文章中直接提取各种元数据，包括基本文档元数据、结构化全文和参考文献部分。该算法通过在大规模、多样化的数据集上训练监督和无监督机器学习算法实现，具有较高的精度，适用于分析异构文档集合。与其他类似解决方案的比较也证明了我们的算法在大多数元数据类型上表现优于竞争对手。

    Oct, 2017

  • 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

  • ICDAR 2021 科学文献解析竞赛

    本文介绍了科技文献对自然语言处理的挑战和 ICDAR 2021 科技文献解析竞赛的使用，并展示了该竞赛在文档布局识别和表格识别方面的高性能成果。

    Jun, 2021

  • 数字图书馆中学习资源类别的自动识别

    为数字图书馆开发自动元数据提取器，介绍了异构学习资源数据集，通过 OCR 工具对文档图像进行分类，并利用其标签预测整体文档的标签。

    Nov, 2023

  • 医学摘要的分类分节：一系列序列分类任务

    本研究基于最先进的深度学习模型（SSN-4 模型），探讨了不同的模型组件对表现和复杂性之间的平衡，同时调整单词嵌入来提高性能，并提出了一个解决第一个模型中混淆的对的第二个模型。结果表明，SSN-4 模型似乎不适用于 RCT 数据集之外。

    Jan, 2022

  • 医学文献中表格信息提取框架

    该研究提出了一种从医学文献中的表格中提取数值和文本信息的方法，包括表格检测、功能处理、结构处理、语义标记、语用处理、单元选择和句法处理等七个步骤，F - 度量值范围在 82% - 92% 之间.

    Feb, 2019