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

该研究提出了一种全卷积网络，通过多模态方法从文档图像中提取语义结构，并使用像素级分割方式考虑文档的语义结构提取。该方法不仅考虑文本的视觉外观，还考虑文本的内容，通过有效的合成文档生成数据进行预训练和半监督学习方法滴定优化网络架构，施加于真实文档上，此方法极大地提高了分割的性能表现。

Jun, 2017

本文提出了基于 DocParser 的 OCR-free 端到端信息提取模型，不同于以往的方法，其能更好地提取具有区别性的字符特征，并在各种数据集上实现了最先进的结果，同时速度比以前的工作还要快。

Apr, 2023

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

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

结构化文档分析和识别对于现代在线入职流程至关重要，文档定位是实现可靠关键信息提取的关键步骤。本研究提出了 SDL-Net：一种新的 U-Net 类编码器 - 解码器架构，用于定位结构化文档。我们的方法可以在包含多种文档类别样本的通用数据集上预训练 SDL-Net 的编码器，并支持对新的文档类别进行快速和数据高效的解码器微调，我们在一系列专有结构化文档图像数据集上进行了大量实验证明了所提方法的有效性和广泛适用性。

Oct, 2023

该研究提出了一个基于 Transformer 的模型 ——DocSegTr，用于端到端处理具有复杂排版的文档图像的实例级分割。实验结果表明，该模型对于文档分割表现优于现有的最先进方法，可作为文档图像实例级识别任务的有前途的基准。

Jan, 2022

LidarMultiNet 利用深度神经网络，将 3D 语义分割、物体检测和全景分割等核心 LiDAR 感知任务统一在单一框架中，实现了最佳表现。

Jun, 2022

本文提出了一种单次完整图像解析的方法，将语义分割和实例分割任务整合到一个流畅系统中，通过_DeeperLab_图像解析器实现，可以快速处理并用_PQ_和_PC_度量对_Mapillary Vistas_数据集的结果做出评估。

Feb, 2019

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