Dec, 2023

WordScape: 从 Web 爬取数据中提取多语言、视觉丰富的文档与布局注释的流程

HTML
PDF
TL;DRWordScape是一种用于创建包含数百万页具有文档布局检测注释的跨学科、多语言语料库的新型流程。它通过解析从Web获取的Word文档的Open XML结构，提供有布局注释的文档图像和它们的文本表示，以克服多种文档理解任务中的挑战，并减少手动标注成本。
发现论文，激发创造
  • CCAligned：大规模跨语言网页文档对集合

    利用URL标签指导对网络文章进行跨语言文档对齐，构建了一个大规模的网络文档数据集，使用该数据集通过基线模型进行文本内容的对齐，最终通过挖掘平行语句和测量基于挖掘数据训练的模型的机器翻译质量来证明了数据集的价值，旨在促进跨语言NLP研究的发展。

    Nov, 2019

  • LayoutLM: 文本和布局的文档图像理解预训练

    本文提出了用于扫描文档图像的LayoutLM模型，实现了文本和布局信息的联合学习，将其应用于信息提取等实际文档图像理解任务中，成果在多项下游任务中达到最新的技术水平，代码和预训练模型可公开获取。

    Dec, 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

  • 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

  • DocLayNet: 一个用于文档布局分析的大型人工注释数据集

    本文提出了一个新的文档布局注释数据集DocLayNet，用于针对多样性布局的训练和测试，证明在丰富的文档数据场景下，DocLayNet训练的模型比PubLayNet和DocBank训练的模型更具鲁棒性，是进行通用文档布局分析的首选。

    Jun, 2022

  • 从 Web 爬虫数据构建高质量视觉丰富文档的语料库

    提出一种高效管道，通过使用 Common Crawl 在因特网上创建大规模、多语种的 PDF 文件语料库，有助于语言模型的预训练。数据集和工具为研究者提供了开发更好的多语言语言模型的机会。

    Apr, 2023

  • 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

  • 文档智能：基于Transformer、基于图的模型和卷积神经网络的文档布局分析的比较研究

    本研究旨在对文档布局分析的最先进模型进行比较评估，并利用机器翻译技术探索跨语言文档布局分析的潜力。

    Aug, 2023

  • LayoutLLM：针对视觉丰富文档理解的大语言模型指令调整

    本文提出了LayoutLLM，一种更灵活的文档分析方法，用于理解图像化文档。通过利用现有研究在文档图像理解和大规模语言模型的优势，通过与多模态指令数据集进行微调，提出的模型在单个模型中执行对文档图像的理解，并通过实验证明在各种文档分析任务中改进了基线模型。

    Mar, 2024

  • RanLayNet：一种用于领域自适应和泛化的文档布局检测数据集

    为了解决有限多样性数据集对深度学习模型的影响问题，我们引入了一个包含空间位置、范围和布局元素类型的标签的合成文档数据集 RanLayNet。经过实验证明，使用我们的数据集训练的深度布局识别模型相比仅使用实际文档训练的模型表现更优。此外，我们通过对 Doclaynet 数据集使用 PubLayNet 和 IIIT-AR-13K 数据集的微调模型进行比较分析，发现使用我们的数据集进行增强的模型在科学文档领域的 TABLE 类任务中取得了 0.398 和 0.588 的 mAP95 分数。

    Apr, 2024