論文の概要: Grab What You Need: Rethinking Complex Table Structure Recognition with Flexible Components Deliberation

• arxiv url: http://arxiv.org/abs/2303.09174v1
• Date: Thu, 16 Mar 2023 09:37:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-17 16:07:59.311303
• Title: Grab What You Need: Rethinking Complex Table Structure Recognition with Flexible Components Deliberation
• Title（参考訳）: 必要なものをつかむ - フレキシブルコンポーネントによる複雑なテーブル構造認識の再考
• Authors: Hao Liu, Xin Li, Mingming Gong, Bing Liu, Yunfei Wu, Deqiang Jiang, Yinsong Liu, Xing Sun
• Abstract要約: 新たに提案したコンポーネント・ディリベレータを備えた,GrabTabと呼ばれるセミナル手法を提案する。 本手法は,特に難易度の高い場面において,最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 47.54866753554568
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, Table Structure Recognition (TSR) task, aiming at identifying table structure into machine readable formats, has received increasing interest in the community. While impressive success, most single table component-based methods can not perform well on unregularized table cases distracted by not only complicated inner structure but also exterior capture distortion. In this paper, we raise it as Complex TSR problem, where the performance degeneration of existing methods is attributable to their inefficient component usage and redundant post-processing. To mitigate it, we shift our perspective from table component extraction towards the efficient multiple components leverage, which awaits further exploration in the field. Specifically, we propose a seminal method, termed GrabTab, equipped with newly proposed Component Deliberator. Thanks to its progressive deliberation mechanism, our GrabTab can flexibly accommodate to most complex tables with reasonable components selected but without complicated post-processing involved. Quantitative experimental results on public benchmarks demonstrate that our method significantly outperforms the state-of-the-arts, especially under more challenging scenes.
• Abstract（参考訳）: 近年,テーブル構造を機械可読形式に識別することを目的としたテーブル構造認識(tsr)タスクがコミュニティの関心を集めている。 目覚ましい成功にもかかわらず、ほとんどのシングルテーブルコンポーネントベースの手法は、複雑な内部構造だけでなく、外部のキャプチャ歪みによって邪魔される非正規化されたテーブルケースではうまく機能しない。 本稿では,既存の手法の性能低下が非効率なコンポーネント使用と冗長な後処理に起因する,複雑なtsr問題として提起する。 これを緩和するために、我々はテーブルコンポーネント抽出から効率の良いマルチコンポーネントレバレッジへと視点をシフトし、フィールドでのさらなる探索を待ちます。 具体的には,新たに提案されたコンポーネント・ディリベレータを備えたGrabTabというセミナー手法を提案する。 プログレッシブな審議機構のおかげで、grabtabは適切なコンポーネントを選択できるが、複雑な後処理を伴わずに、最も複雑なテーブルに柔軟に対応できる。 公開ベンチマークによる定量的な実験結果から,本手法は特に難易度の高い場面において,最先端の手法よりも優れていることが示された。

関連論文リスト

• SEMv3: A Fast and Robust Approach to Table Separation Line Detection [48.75713662571455]
  テーブル構造認識(TSR)は、テーブル固有の構造を入力画像から解析することを目的としている。 スプリット・アンド・マージ(Split-and-merge)パラダイムは、テーブル分離線検出が不可欠であるテーブル構造を解析するための重要なアプローチである。 本稿では, SEMv3 (Split, Embed, Merge) を提案する。
  論文  参考訳（メタデータ） (2024-05-20T08:13:46Z)
• 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)
• ReSel: N-ary Relation Extraction from Scientific Text and Tables by Learning to Retrieve and Select [53.071352033539526]
  学術論文からN-ary関係を抽出する問題について考察する。 提案手法であるReSelは,このタスクを2段階のプロシージャに分解する。 3つの科学的情報抽出データセットに対する実験により、ReSelは最先端のベースラインを大きく上回っていることがわかった。
  論文  参考訳（メタデータ） (2022-10-26T02:28:02Z)
• TRUST: An Accurate and End-to-End Table structure Recognizer Using Splitting-based Transformers [56.56591337457137]
  本稿では,TRUSTと呼ばれるテーブル構造認識手法を提案する。 変換器は、大域的な計算、完全メモリ、並列計算のためにテーブル構造認識に適している。 我々はPubTabNetやSynthTableなど,いくつかの人気のあるベンチマークで実験を行い,新しい最先端の結果を得た。
  論文  参考訳（メタデータ） (2022-08-31T08:33:36Z)
• Neural Collaborative Graph Machines for Table Structure Recognition [18.759018425097747]
  本稿では,階層化された協調ブロックを備えたニューラルコラボレーティブグラフマシン(NCGM)を提案する。 提案したNCGMは、モダリティ内キューの文脈で条件付けられた異なるモダリティの協調パターンを変調可能であることを示す。
  論文  参考訳（メタデータ） (2021-11-26T08:40:47Z)
• Split, embed and merge: An accurate table structure recognizer [42.579215135672094]
  テーブル構造認識器としてSplit, Embed, Merge (SEM) を導入する。 SEM は SciTSR データセットで平均 F-Measure の 96.9% を達成できる。
  論文  参考訳（メタデータ） (2021-07-12T06:26:19Z)
• Tab.IAIS: Flexible Table Recognition and Semantic Interpretation System [84.39812458417246]
  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。
  論文  参考訳（メタデータ） (2021-05-25T12:31:02Z)
• 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)

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。