論文の概要: Doc-GCN: Heterogeneous Graph Convolutional Networks for Document Layout Analysis

• arxiv url: http://arxiv.org/abs/2208.10970v1
• Date: Mon, 22 Aug 2022 07:22:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-24 12:42:53.193492
• Title: Doc-GCN: Heterogeneous Graph Convolutional Networks for Document Layout Analysis
• Title（参考訳）: Doc-GCN:文書レイアウト解析のための不均一グラフ畳み込みネットワーク
• Authors: Siwen Luo, Yihao Ding, Siqu Long, Soyeon Caren Han, Josiah Poon
• Abstract要約: 我々のDoc-GCNは、文書レイアウト分析のための異種側面の調和と統合に有効な方法を提供する。 まず、構文、意味、密度、外見/視覚情報を含む4つの主要な側面を明示的に記述するグラフを構築した。 情報の各側面を表現するためにグラフ畳み込みネットワークを適用し、それらを統合するためにプールを使用する。
• 参考スコア（独自算出の注目度）: 4.920817773181236
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recognizing the layout of unstructured digital documents is crucial when parsing the documents into the structured, machine-readable format for downstream applications. Recent studies in Document Layout Analysis usually rely on computer vision models to understand documents while ignoring other information, such as context information or relation of document components, which are vital to capture. Our Doc-GCN presents an effective way to harmonize and integrate heterogeneous aspects for Document Layout Analysis. We first construct graphs to explicitly describe four main aspects, including syntactic, semantic, density, and appearance/visual information. Then, we apply graph convolutional networks for representing each aspect of information and use pooling to integrate them. Finally, we aggregate each aspect and feed them into 2-layer MLPs for document layout component classification. Our Doc-GCN achieves new state-of-the-art results in three widely used DLA datasets.
• Abstract（参考訳）: ダウンストリームアプリケーションのための構造化された機械可読フォーマットに文書を解析する場合、構造化されていないデジタル文書のレイアウトを認識することが重要である。 ドキュメントレイアウト分析における最近の研究は、通常、文書を理解するのにコンピュータビジョンモデルに依存し、コンテキスト情報や文書コンポーネントの関係などの他の情報を無視している。 我々のDoc-GCNは、文書レイアウト分析のための異種側面の調和と統合に有効な方法を提供する。 まず、構文、意味、密度、外観/視覚情報を含む4つの主要な側面を明示的に記述するグラフを構築する。 次に、情報の各側面を表すグラフ畳み込みネットワークを適用し、プールを用いてそれらを統合する。 最後に、各アスペクトを集約し、文書レイアウトコンポーネント分類のための2層MLPにフィードする。 我々のDoc-GCNは、広く使われている3つのDLAデータセットにおいて、最先端の新たな結果を達成する。

関連論文リスト

• Unified Multi-Modal Interleaved Document Representation for Information Retrieval [57.65409208879344]
  我々は、異なるモダリティでインターリーブされた文書を均等に埋め込み、より包括的でニュアンスのある文書表現を生成する。 具体的には、テキスト、画像、テーブルの処理と統合を統一されたフォーマットと表現に統合する、近年のビジョン言語モデルの能力を活用して、これを実現する。
  論文  参考訳（メタデータ） (2024-10-03T17:49:09Z)
• DocGenome: An Open Large-scale Scientific Document Benchmark for Training and Testing Multi-modal Large Language Models [63.466265039007816]
  我々は、arXivオープンアクセスコミュニティの153の分野から500Kの科学文書を注釈付けして構築した構造化文書ベンチマークDocGenomeを提案する。 我々はDocGenomeの利点を実証するために広範な実験を行い、我々のベンチマークで大規模モデルの性能を客観的に評価した。
  論文  参考訳（メタデータ） (2024-06-17T15:13:52Z)
• Enhancing Visually-Rich Document Understanding via Layout Structure Modeling [91.07963806829237]
  レイアウトの知識をモデルに注入する新しい文書理解モデルであるGraphLMを提案する。 我々は、FUNSD、XFUND、CORDなど様々なベンチマークでモデルを評価し、最先端の結果を得た。
  論文  参考訳（メタデータ） (2023-08-15T13:53:52Z)
• Unifying Vision, Text, and Layout for Universal Document Processing [105.36490575974028]
  本稿では,テキスト,画像,レイアウトのモダリティを文書理解と生成を含むさまざまなタスク形式とともに統合するドキュメントAIモデルを提案する。 我々の手法は、財務報告、学術論文、ウェブサイトなど、さまざまなデータ領域にまたがって、文書理解やQAといった9つのドキュメントAIタスクの最先端を定めている。
  論文  参考訳（メタデータ） (2022-12-05T22:14:49Z)
• Unified Pretraining Framework for Document Understanding [52.224359498792836]
  文書理解のための統合事前学習フレームワークであるUDocを紹介する。 UDocは、ほとんどのドキュメント理解タスクをサポートするように設計されており、Transformerを拡張してマルチモーダル埋め込みを入力とする。 UDocの重要な特徴は、3つの自己管理的損失を利用して汎用的な表現を学ぶことである。
  論文  参考訳（メタデータ） (2022-04-22T21:47:04Z)
• Multimodal Pre-training Based on Graph Attention Network for Document Understanding [32.55734039518983]
  GraphDocは、さまざまなドキュメント理解タスクのためのグラフベースのモデルである。 テキスト、レイアウト、画像情報を同時に活用することにより、マルチモーダルフレームワークで事前訓練される。 320万の未ラベル文書から一般的な表現を学習する。
  論文  参考訳（メタデータ） (2022-03-25T09:27:50Z)
• Cross-Domain Document Layout Analysis Using Document Style Guide [15.799572801059716]
  文書レイアウト解析(DLA)は、文書画像を高レベルな意味領域に分解することを目的としている。 多くの研究者がこの課題に取り組み、大規模なトレーニングセットを構築するためにデータを合成した。 本稿では文書スタイルのガイダンスに基づく教師なしクロスドメインDLAフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-24T00:49:19Z)
• Synthetic Document Generator for Annotation-free Layout Recognition [15.657295650492948]
  本稿では,空間的位置,範囲,レイアウト要素のカテゴリを示すラベル付きリアル文書を自動生成する合成文書生成装置について述べる。 合成文書上で純粋に訓練された深層レイアウト検出モデルが,実文書を用いたモデルの性能と一致することを実証的に示す。
  論文  参考訳（メタデータ） (2021-11-11T01:58:44Z)
• Evaluation of a Region Proposal Architecture for Multi-task Document Layout Analysis [0.685316573653194]
  Mask-RCNNアーキテクチャは、ベースライン検出と領域分割の問題に対処するために設計されている。 2つの手書きテキストデータセットと1つの手書き音楽データセットに関する実験結果を示す。 分析したアーキテクチャは有望な結果をもたらし、3つのデータセットすべてで最先端のテクニックよりも優れています。
  論文  参考訳（メタデータ） (2021-06-22T14:07:27Z)
• VSR: A Unified Framework for Document Layout Analysis combining Vision, Semantics and Relations [40.721146438291335]
  視覚、意味論、関係性を組み合わせた文書レイアウト解析のための統一フレームワークVSRを提案する。 人気のある3つのベンチマークでは、vsrは以前のモデルを大きく上回っている。
  論文  参考訳（メタデータ） (2021-05-13T12:20:30Z)
• DocBank: A Benchmark Dataset for Document Layout Analysis [114.81155155508083]
  文書レイアウト解析のための詳細なトークンレベルのアノテーションを備えた500Kドキュメントページを含むベンチマークデータセットである textbfDocBank を提示する。 実験の結果,DocBankでトレーニングされたモデルは,さまざまなドキュメントのレイアウト情報を正確に認識することがわかった。
  論文  参考訳（メタデータ） (2020-06-01T16:04:30Z)

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。