論文の概要: Tab.IAIS: Flexible Table Recognition and Semantic Interpretation System
- arxiv url: http://arxiv.org/abs/2105.11879v1
- Date: Tue, 25 May 2021 12:31:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-26 14:04:50.788712
- Title: Tab.IAIS: Flexible Table Recognition and Semantic Interpretation System
- Title(参考訳): Tab.IAIS:フレキシブルテーブル認識と意味解釈システム
- Authors: Marcin Namysl, Alexander M. Esser, Sven Behnke, Joachim K\"ohler
- Abstract要約: 完全テーブル認識処理を行い、最も頻繁なテーブル形式をサポートする2つのルールベースのアルゴリズムを開発する。
意味情報の抽出をテーブル認識プロセスに組み込むため,グラフに基づくテーブル解釈法を開発した。
我々のテーブル認識アプローチは、最先端のアプローチと競合する結果を得る。
- 参考スコア(独自算出の注目度): 84.39812458417246
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Table extraction is an important but still unsolved problem. In this paper,
we introduce a flexible end-to-end table extraction system. We develop two
rule-based algorithms that perform the complete table recognition process and
support the most frequent table formats found in the scientific literature.
Moreover, to incorporate the extraction of semantic information into the table
recognition process, we develop a graph-based table interpretation method. We
conduct extensive experiments on the challenging table recognition benchmarks
ICDAR 2013 and ICDAR 2019. Our table recognition approach achieves results
competitive with state-of-the-art approaches. Moreover, our complete
information extraction system exhibited a high F1 score of 0.7380 proving the
utility of our approach.
- Abstract(参考訳): テーブル抽出は重要な問題だが、未解決の問題である。
本稿では,フレキシブルなエンドツーエンドテーブル抽出システムを提案する。
我々は,完全テーブル認識プロセスを実行し,科学文献に見られる最も頻繁な表形式をサポートする2つのルールベースアルゴリズムを開発した。
さらに,意味情報の抽出をテーブル認識プロセスに組み込むために,グラフに基づくテーブル解釈法を開発した。
ICDAR 2013 と ICDAR 2019 の挑戦的なテーブル認識ベンチマークについて広範な実験を行った。
テーブル認識アプローチは最先端のアプローチと競合する結果を達成する。
また,完全情報抽出システムでは0.7380という高いf1スコアが得られた。
関連論文リスト
- A Review On Table Recognition Based On Deep Learning [0.0]
テーブル認識は、コンピュータを使用してテーブルを自動的に理解しています。
ディープラーニング技術の発展は、この分野に新しいパラダイムをもたらした。
本稿では,5つの側面から表認識の問題について議論する。
論文 参考訳(メタデータ) (2023-12-08T02:58:00Z) - 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) - 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) - Generating Table Vector Representations [11.092714216647245]
本稿では,テーブル・ツー・クラスアノテーションの手法の評価を行う。
テーブル分類を機械学習タスクとして形式的に定義する。
論文 参考訳(メタデータ) (2021-10-28T14:05:21Z) - 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) - 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。