論文の概要: GFTE: Graph-based Financial Table Extraction

• arxiv url: http://arxiv.org/abs/2003.07560v1
• Date: Tue, 17 Mar 2020 07:10:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 21:20:52.896558
• Title: GFTE: Graph-based Financial Table Extraction
• Title（参考訳）: GFTE:グラフベースの財務表抽出
• Authors: Yiren Li, Zheng Huang, Junchi Yan, Yi Zhou, Fan Ye and Xianhui Liu
• Abstract要約: 金融業界や他の多くの分野において、表は構造化されていないデジタルファイル、例えばポータブル文書フォーマット(PDF)や画像でしばしば開示される。 我々はFinTabという中国の標準データセットを公開しています。 今後の比較のためのベースラインとしてGFTEという新しいグラフベースの畳み込みネットワークモデルを提案する。
• 参考スコア（独自算出の注目度）: 66.26206038522339
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tabular data is a crucial form of information expression, which can organize data in a standard structure for easy information retrieval and comparison. However, in financial industry and many other fields tables are often disclosed in unstructured digital files, e.g. Portable Document Format (PDF) and images, which are difficult to be extracted directly. In this paper, to facilitate deep learning based table extraction from unstructured digital files, we publish a standard Chinese dataset named FinTab, which contains more than 1,600 financial tables of diverse kinds and their corresponding structure representation in JSON. In addition, we propose a novel graph-based convolutional neural network model named GFTE as a baseline for future comparison. GFTE integrates image feature, position feature and textual feature together for precise edge prediction and reaches overall good results.
• Abstract（参考訳）: タブラリデータは情報表現の重要な形態であり、情報検索と比較を容易にするための標準構造でデータを整理することができる。 しかし、金融業界や他の多くの分野において、しばしば非構造化のデジタルファイル、例えばポータブル文書フォーマット(PDF)や画像で表されるが、直接抽出することは困難である。 本稿では,非構造化デジタルファイルからの深層学習に基づくテーブル抽出を容易にするため,FinTabという中国語の標準データセットを公開し,多種多様の財務表とそれに対応する構造表現をJSONで記述する。 さらに,新しいグラフベースの畳み込みニューラルネットワークモデルGFTEを,今後の比較のためのベースラインとして提案する。 GFTEは画像特徴、位置特徴、テキスト特徴を統合して正確なエッジ予測を行い、全体的な良い結果を得る。

関連論文リスト

• UniTabNet: Bridging Vision and Language Models for Enhanced Table Structure Recognition [55.153629718464565]
  我々は、画像からテキストへのモデルに基づくテーブル構造解析のための新しいフレームワークUniTabNetを紹介する。 UniTabNetは、画像とテキストのモデルを使ってテーブルセルを分離し、物理デコーダと論理デコーダを統合して完全なテーブル構造を再構築する。
  論文  参考訳（メタデータ） (2024-09-20T01:26:32Z)
• Doc2SoarGraph: Discrete Reasoning over Visually-Rich Table-Text Documents via Semantic-Oriented Hierarchical Graphs [79.0426838808629]
  視覚的にリッチなテーブルテキスト文書に答えるTAT-DQAを提案する。 具体的には、離散推論機能を強化した新しいDoc2SoarGraphフレームワークを提案する。 我々は,TAT-DQAデータセットに関する広範な実験を行い,提案したフレームワークは,テストセット上でのエクサクティマッチ(EM)とF1スコアでそれぞれ17.73%,F1スコアで16.91%の最高のベースラインモデルを上回る結果を得た。
  論文  参考訳（メタデータ） (2023-05-03T07:30:32Z)
• Graph Neural Networks and Representation Embedding for Table Extraction in PDF Documents [1.1859913430860336]
  この研究の主な貢献は、グラフニューラルネットワークを利用したテーブル抽出の問題に取り組むことである。 PubLayNetおよびPubTables-1Mデータセットに提供される情報をマージして得られた新しいデータセットに対する提案手法を実験的に評価した。
  論文  参考訳（メタデータ） (2022-08-23T21:36:01Z)
• TGRNet: A Table Graph Reconstruction Network for Table Structure Recognition [76.06530816349763]
  本稿では,表構造認識のためのエンドツーエンドのトレーニング可能な表グラフ再構成ネットワーク(TGRNet)を提案する。 具体的には,異なる細胞の空間的位置と論理的位置を共同で予測するために,細胞検出枝と細胞論理的位置分岐の2つの主枝を有する。
  論文  参考訳（メタデータ） (2021-06-20T01:57:05Z)
• Multi-Type-TD-TSR -- Extracting Tables from Document Images using a Multi-stage Pipeline for Table Detection and Table Structure Recognition: from OCR to Structured Table Representations [63.98463053292982]
  テーブルの認識は、テーブル検出とテーブル構造認識という2つの主要なタスクから構成される。 最近の研究は、テーブル構造認識のタスクにトランスファーラーニングを併用したディープラーニングアプローチへの明確な傾向を示している。 本稿では,テーブル認識問題に対するエンドツーエンドのソリューションを提供するMulti-Type-TD-TSRというマルチステージパイプラインを提案する。
  論文  参考訳（メタデータ） (2021-05-23T21:17:18Z)
• TabLeX: A Benchmark Dataset for Structure and Content Information Extraction from Scientific Tables [1.4115224153549193]
  本稿では,学術論文から生成された表画像からなる大規模ベンチマークデータセットTabLeXを提案する。 堅牢なテーブルIEツールの開発を容易にするため、TabLeXにはさまざまなアスペクト比とさまざまなフォントのイメージが含まれている。 分析の結果,現状のテーブル抽出モデルの欠点が明らかとなり,単純なテーブル画像でも失敗することが判明した。
  論文  参考訳（メタデータ） (2021-05-12T05:13:38Z)
• Deep Structured Feature Networks for Table Detection and Tabular Data Extraction from Scanned Financial Document Images [0.6299766708197884]
  本研究では、財務PDF文書から自動テーブル検出と表データ抽出を提案する。 我々は,より高速なR-CNN(Region-based Convolutional Neural Network)モデルを用いて,テーブル領域を検出する3つの主要なプロセスからなる手法を提案する。 提案したデータセットから,検出モデルの卓越したテーブル検出性能を得た。
  論文  参考訳（メタデータ） (2021-02-20T08:21:17Z)
• A Graph Representation of Semi-structured Data for Web Question Answering [96.46484690047491]
  本稿では、半構造化データとそれらの関係の構成要素の体系的分類に基づいて、Webテーブルとリストのグラフ表現を提案する。 本手法は,最先端のベースラインに対してF1スコアを3.90ポイント向上させる。
  論文  参考訳（メタデータ） (2020-10-14T04:01:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。