Fugu-MT 論文翻訳(概要): A Survey on Figure Classification Techniques in Scientific Documents

論文の概要: A Survey on Figure Classification Techniques in Scientific Documents

arxiv url: http://arxiv.org/abs/2307.05694v1
Date: Sun, 9 Jul 2023 10:55:11 GMT
ステータス: 処理完了
システム内更新日: 2023-07-13 15:26:55.330412
Title: A Survey on Figure Classification Techniques in Scientific Documents
Title（参考訳）: 科学文献における図形分類手法に関する調査
Authors: Anurag Dhote and Mohammed Javed and David S Doermann
Abstract要約: 図は、表、写真、図、地図、プロットの5つのクラスに分類する。我々は現在の研究ギャップを特定し、図形分類のさらなる研究の道筋を提供する。
参考スコア（独自算出の注目度）: 15.436456941551329
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Figures visually represent an essential piece of information and provide an effective means to communicate scientific facts. Recently there have been many efforts toward extracting data directly from figures, specifically from tables, diagrams, and plots, using different Artificial Intelligence and Machine Learning techniques. This is because removing information from figures could lead to deeper insights into the concepts highlighted in the scientific documents. In this survey paper, we systematically categorize figures into five classes - tables, photos, diagrams, maps, and plots, and subsequently present a critical review of the existing methodologies and data sets that address the problem of figure classification. Finally, we identify the current research gaps and provide possible directions for further research on figure classification.
Abstract（参考訳）: 図は重要な情報を視覚的に表現し、科学的事実を伝える効果的な手段を提供する。近年、さまざまな人工知能と機械学習技術を用いて、図、特に表、図、プロットから直接データを抽出する取り組みが数多く行われている。これは、数字から情報を取り除くことが、科学文書で強調された概念に対する深い洞察をもたらす可能性があるためである。本稿では,図を5つのクラス(表,写真,図,地図,プロット)に体系的に分類し,その上で,図形分類の問題に対処する既存の方法論とデータセットについて批判的なレビューを行う。最後に,現在の研究のギャップを特定し,図分類に関するさらなる研究の方向性を示す。

関連論文リスト

Enhancing Scientific Figure Captioning Through Cross-modal Learning [0.0]
科学的研究データの量と多様性が急増し、チャートの数と多様性が増加した。本稿では,研究データの明瞭さとアクセシビリティ向上に有効であることを示すため,学術チャートのタイトル生成に対する新しいアプローチを提案する。
論文参考訳（メタデータ） (2024-06-24T18:08:19Z)
From Pixels to Insights: A Survey on Automatic Chart Understanding in the Era of Large Foundation Models [98.41645229835493]
グラフ形式のデータの可視化は、データ分析において重要な役割を担い、重要な洞察を提供し、情報的な意思決定を支援する。大規模言語モデルのような大規模な基盤モデルは、様々な自然言語処理タスクに革命をもたらした。本研究は,自然言語処理,コンピュータビジョン,データ解析の分野における研究者や実践者の包括的資源として機能する。
論文参考訳（メタデータ） (2024-03-18T17:57:09Z)
Few-Shot Learning on Graphs: from Meta-learning to Pre-training and Prompting [56.25730255038747]
この調査は、最近の展開を合成し、比較洞察を提供し、将来の方向性を特定するための取り組みである。我々は,既存の研究をメタラーニングアプローチ,事前学習アプローチ,ハイブリッドアプローチの3つの主要なファミリーに体系的に分類した。これらの手法間の関係を解析し,その強みと限界を比較する。
論文参考訳（メタデータ） (2024-02-02T14:32:42Z)
Exploring Graph Classification Techniques Under Low Data Constraints: A Comprehensive Study [0.0]
ノードとエッジの摂動、グラフの粗大化、グラフ生成など、グラフデータの増大のためのさまざまなテクニックをカバーしている。本稿は、これらの領域を深く探求し、さらに下位分類に着目する。低データシナリオで直面するグラフ処理問題の解決に使用できる、幅広いテクニックの配列を提供する。
論文参考訳（メタデータ） (2023-11-21T17:23:05Z)
A Survey on Self-Supervised Representation Learning [2.5442795971328307]
画像表現を監督せずに学習できる多くの方法が導入された。これらの表現の質は教師付き学習に近いが、ラベル付き画像は必要ない。本稿では,これらの手法を統一表記法で包括的に検証し,類似点と相違点を指摘し,それらの手法を相互に関連づけた分類法を提案する。
論文参考訳（メタデータ） (2023-08-22T14:05:37Z)
State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文参考訳（メタデータ） (2023-01-14T09:15:49Z)
Knowledge Graph informed Fake News Classification via Heterogeneous Representation Ensembles [1.8374319565577157]
本稿では,異なる文書表現を効果的に偽ニュース識別に利用する方法を示す。重要な貢献の1つは、知識グラフのみに基づく新しい文書表現学習手法のセットである。我々は,知識グラフに基づく表現が,従来受け入れられていた表現学習者に対する競合性能をすでに達成していることを示す。
論文参考訳（メタデータ） (2021-10-20T09:41:14Z)
Deep Learning for Scene Classification: A Survey [48.57123373347695]
シーン分類は、コンピュータビジョンにおける長年の、根本的かつ挑戦的な問題である。大規模データセットの出現と深層学習技術のルネッサンスは、シーン表現と分類の分野において顕著な進歩をもたらした。本稿では,深層学習によるシーン分類における最近の成果を総合的に調査する。
論文参考訳（メタデータ） (2021-01-26T03:06:50Z)
A Survey of Embedding Space Alignment Methods for Language and Knowledge Graphs [77.34726150561087]
単語,文,知識グラフの埋め込みアルゴリズムに関する現在の研究状況について調査する。本稿では、関連するアライメント手法の分類と、この研究分野で使用されるベンチマークデータセットについて論じる。
論文参考訳（メタデータ） (2020-10-26T16:08:13Z)
Visual Exploration and Knowledge Discovery from Biomedical Dark Data [0.0]
我々は、バイオメディカルダークデータから知識を発見するために、自然言語処理ベースのパイプラインを使用している。我々は、膨大な量の情報を解析する問題を克服する潜在的な解決策を得ることを目的としている。
論文参考訳（メタデータ） (2020-09-28T04:27:05Z)
A Survey on Text Classification: From Shallow to Deep Learning [83.47804123133719]
過去10年は、ディープラーニングが前例のない成功を収めたために、この分野の研究が急増している。本稿では,1961年から2021年までの最先端のアプローチを見直し,そのギャップを埋める。特徴抽出と分類に使用されるテキストとモデルに基づいて,テキスト分類のための分類を作成する。
論文参考訳（メタデータ） (2020-08-02T00:09:03Z)

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。