論文の概要: A Review On Table Recognition Based On Deep Learning

• arxiv url: http://arxiv.org/abs/2312.04808v1
• Date: Fri, 8 Dec 2023 02:58:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-11 16:12:03.865725
• Title: A Review On Table Recognition Based On Deep Learning
• Title（参考訳）: 深層学習に基づくテーブル認識に関する一検討
• Authors: Shi Jiyuan, Shi chunqi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Table recognition is using the computer to automatically understand the table, to detect the position of the table from the document or picture, and to correctly extract and identify the internal structure and content of the table. After earlier mainstream approaches based on heuristic rules and machine learning, the development of deep learning techniques has brought a new paradigm to this field. This review mainly discusses the table recognition problem from five aspects. The first part introduces data sets, benchmarks, and commonly used evaluation indicators. This section selects representative data sets, benchmarks, and evaluation indicators that are frequently used by researchers. The second part introduces the table recognition model. This survey introduces the development of the table recognition model, especially the table recognition model based on deep learning. It is generally accepted that table recognition is divided into two stages: table detection and table structure recognition. This section introduces the models that follow this paradigm (TD and TSR). The third part is the End-to-End method, this section introduces some scholars' attempts to use an end-to-end approach to solve the table recognition problem once and for all and the part are Data-centric methods, such as data augmentation, aligning benchmarks, and other methods. The fourth part is the data-centric approach, such as data enhancement, alignment benchmark, and so on. The fifth part summarizes and compares the experimental data in the field of form recognition, and analyzes the mainstream and more advantageous methods. Finally, this paper also discusses the possible development direction and trend of form processing in the future, to provide some ideas for researchers in the field of table recognition. (Resource will be released at https://github.com/Wa1den-jy/Topic-on-Table-Recognition .)
• Abstract（参考訳）: テーブル認識は、コンピュータを用いてテーブルを自動的に理解し、文書や画像からテーブルの位置を検出し、テーブルの内部構造や内容を正しく抽出して識別する。 ヒューリスティックなルールと機械学習に基づく以前の主流のアプローチの後、ディープラーニング技術の開発が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問題について考察する。 第1部では、データセット、ベンチマーク、一般的な評価指標を紹介します。 本節では、研究者が頻繁に使用する代表データセット、ベンチマーク、評価指標を選択する。 第2部では,表認識モデルを紹介する。 本稿では,テーブル認識モデル,特に深層学習に基づくテーブル認識モデルの開発について紹介する。 一般に、テーブル認識はテーブル検出とテーブル構造認識の2つの段階に分けられる。 本節では、このパラダイム(tdおよびtsr)に従うモデルを紹介する。 第3部はEnd-to-End法であり、この節では、データ拡張、ベンチマークの整合化、その他の方法など、データ中心の手法であるテーブル認識問題を解決するために、エンド・ツー・エンドのアプローチを導入している。 第4の部分は、データ強化やアライメントベンチマークなど、データ中心のアプローチである。 第5部は、フォーム認識の分野での実験データを要約して比較し、主流でより有利な方法を分析する。 最後に, テーブル認識の分野の研究者に対して, 今後のフォーム処理の展開方向と動向について述べる。 (resourceはhttps://github.com/wa1den-jy/topic-on-table-recognitionでリリースされる。)

関連論文リスト

• 4DBInfer: A 4D Benchmarking Toolbox for Graph-Centric Predictive Modeling on Relational DBs [67.47600679176963]
  RDBは、相互接続されたテーブルにまたがる膨大な量のリッチで情報的なデータを格納する。 予測機械学習モデルの進歩は、コンピュータビジョンや自然言語処理といった他の領域の進歩に遅れをとっている。 マルチテーブルデータセットをグラフに変換することを前提としたベースラインモデルのクラスを探索する。 大規模RDBデータセットと (ii) 同時予測タスクの多様なコレクションを組み立てる。
  論文  参考訳（メタデータ） (2024-04-28T15:04:54Z)
• 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)
• Deep learning for table detection and structure recognition: A survey [49.09628624903334]
  本調査の目的は,テーブル検出の分野での大きな進展を深く理解することである。 この分野における古典的アプリケーションと新しいアプリケーションの両方について分析する。 既存のモデルのデータセットとソースコードは、読者にこの膨大な文献のコンパスを提供するために組織されている。
  論文  参考訳（メタデータ） (2022-11-15T19:42:27Z)
• 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)
• 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)
• 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)
• Current Status and Performance Analysis of Table Recognition in Document Images with Deep Neural Networks [12.161050209491496]
  テーブルの検出と構造認識は、テーブル理解の領域における重要な問題です。 グラフィカル処理ユニットの計算能力の最近の進歩により、ディープニューラルネットワークは従来の機械学習手法より優れている。 本論文では,深層ニューラルネットワークを用いた最新の手法を徹底的に分析する。
  論文  参考訳（メタデータ） (2021-04-29T11:43:48Z)
• 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。