Fugu-MT 論文翻訳(概要): Deep Structured Feature Networks for Table Detection and Tabular Data Extraction from Scanned Financial Document Images

論文の概要: Deep Structured Feature Networks for Table Detection and Tabular Data Extraction from Scanned Financial Document Images

arxiv url: http://arxiv.org/abs/2102.10287v1
Date: Sat, 20 Feb 2021 08:21:17 GMT
ステータス: 処理完了
システム内更新日: 2021-02-23 15:05:37.521432
Title: Deep Structured Feature Networks for Table Detection and Tabular Data Extraction from Scanned Financial Document Images
Title（参考訳）: スキャンドファイナンシャル文書画像からの表検出と表データ抽出のためのディープ構造化機能ネットワーク
Authors: Siwen Luo, Mengting Wu, Yiwen Gong, Wanying Zhou, Josiah Poon
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.6299766708197884
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Automatic table detection in PDF documents has achieved a great success but tabular data extraction are still challenging due to the integrity and noise issues in detected table areas. The accurate data extraction is extremely crucial in finance area. Inspired by this, the aim of this research is proposing an automated table detection and tabular data extraction from financial PDF documents. We proposed a method that consists of three main processes, which are detecting table areas with a Faster R-CNN (Region-based Convolutional Neural Network) model with Feature Pyramid Network (FPN) on each page image, extracting contents and structures by a compounded layout segmentation technique based on optical character recognition (OCR) and formulating regular expression rules for table header separation. The tabular data extraction feature is embedded with rule-based filtering and restructuring functions that are highly scalable. We annotate a new Financial Documents dataset with table regions for the experiment. The excellent table detection performance of the detection model is obtained from our customized dataset. The main contributions of this paper are proposing the Financial Documents dataset with table-area annotations, the superior detection model and the rule-based layout segmentation technique for the tabular data extraction from PDF files.
Abstract（参考訳）: pdf文書の自動テーブル検出は大きな成功を収めているが、検出されたテーブル領域の整合性とノイズ問題のために、表データ抽出は依然として困難である。正確なデータ抽出は金融分野で極めて重要である。このことから着想を得た本研究の目的は,財務用pdf文書からテーブルの自動検出と表データ抽出を提案することである。本稿では,各ページ画像に特徴ピラミッドネットワーク(fpn)を付加した高速なr-cnnモデルによるテーブル領域の検出,光学的文字認識(ocr)に基づく複合レイアウトセグメンテーション手法によるコンテンツと構造抽出,テーブルヘッダ分離のための正規表現規則の定式化という,3つの主要なプロセスからなる手法を提案する。表型データ抽出機能には、高度にスケーラブルなルールベースのフィルタリングと再構成機能が組み込まれている。実験用のテーブル領域を備えた新たなFinancial Documentsデータセットをアノテートする。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。本論文の主な貢献は,テーブル領域アノテーションを用いた財務文書データセットの提案,優れた検出モデル,pdfファイルからの表データ抽出のための規則に基づくレイアウト分割手法である。

関連論文リスト

A large-scale dataset for end-to-end table recognition in the wild [13.717478398235055]
テーブル認識(Table Recognition, TR)は、パターン認識におけるホットスポットの一つ。現在、実際のシナリオにおけるエンドツーエンドのTRは、3つのサブタスクを同時に達成しているが、まだ探索されていない研究領域である。そこで本研究では,様々なテーブル形式を持つテーブル認識セット(TabRecSet)という大規模データセットを提案する。
論文参考訳（メタデータ） (2023-03-27T02:48:51Z)
SEMv2: Table Separation Line Detection Based on Instance Segmentation [96.36188168694781]
SEMv2(SEM: Split, Embed, Merge)と呼ばれるテーブル構造認識器を提案する。本稿では,テーブル分離ラインのインスタンスレベルの識別問題に対処し,条件付き畳み込みに基づくテーブル分離ライン検出戦略を提案する。 SEMv2を包括的に評価するために、iFLYTABと呼ばれるテーブル構造認識のためのより困難なデータセットも提示する。
論文参考訳（メタデータ） (2023-03-08T05:15:01Z)
Mixed-modality Representation Learning and Pre-training for Joint Table-and-Text Retrieval in OpenQA [85.17249272519626]
最適化された OpenQA Table-Text Retriever (OTTeR) を提案する。検索中心の混合モード合成事前学習を行う。 OTTeRはOTT-QAデータセット上でのテーブル・アンド・テキスト検索の性能を大幅に改善する。
論文参考訳（メタデータ） (2022-10-11T07:04:39Z)
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)
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)
GFTE: Graph-based Financial Table Extraction [66.26206038522339]
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。
論文参考訳（メタデータ） (2020-03-17T07:10:05Z)
Table Structure Extraction with Bi-directional Gated Recurrent Unit Networks [5.350788087718877]
本稿では,検出されたテーブルから行や列を高精度に抽出する,堅牢な深層学習手法を提案する。我々は、現在利用可能なUNLVとICDAR 2013データセットのベンチマークを行い、最先端のテーブル構造抽出システムよりも大幅に性能を向上した。
論文参考訳（メタデータ） (2020-01-08T13:17:44Z)
TableNet: Deep Learning model for end-to-end Table detection and Tabular data extraction from Scanned Document Images [18.016832803961165]
本稿では,テーブル検出と構造認識のための新しいエンドツーエンドディープラーニングモデルを提案する。 TableNetは、テーブル検出のツインタスクとテーブル構造認識の相互依存性を利用する。提案手法は, ICDAR 2013 と Marmot Table のデータセットを用いて評価した。
論文参考訳（メタデータ） (2020-01-06T10:25:32Z)

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。