論文の概要: UniTabNet: Bridging Vision and Language Models for Enhanced Table Structure Recognition

• arxiv url: http://arxiv.org/abs/2409.13148v1
• Date: Fri, 20 Sep 2024 01:26:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 11:41:13.400858
• Title: UniTabNet: Bridging Vision and Language Models for Enhanced Table Structure Recognition
• Title（参考訳）: UniTabNet: テーブル構造認識のためのブリッジングビジョンと言語モデル
• Authors: Zhenrong Zhang, Shuhang Liu, Pengfei Hu, Jiefeng Ma, Jun Du, Jianshu Zhang, Yu Hu,
• Abstract要約: 我々は、画像からテキストへのモデルに基づくテーブル構造解析のための新しいフレームワークUniTabNetを紹介する。 UniTabNetは、画像とテキストのモデルを使ってテーブルセルを分離し、物理デコーダと論理デコーダを統合して完全なテーブル構造を再構築する。
• 参考スコア（独自算出の注目度）: 55.153629718464565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the digital era, table structure recognition technology is a critical tool for processing and analyzing large volumes of tabular data. Previous methods primarily focus on visual aspects of table structure recovery but often fail to effectively comprehend the textual semantics within tables, particularly for descriptive textual cells. In this paper, we introduce UniTabNet, a novel framework for table structure parsing based on the image-to-text model. UniTabNet employs a ``divide-and-conquer'' strategy, utilizing an image-to-text model to decouple table cells and integrating both physical and logical decoders to reconstruct the complete table structure. We further enhance our framework with the Vision Guider, which directs the model's focus towards pertinent areas, thereby boosting prediction accuracy. Additionally, we introduce the Language Guider to refine the model's capability to understand textual semantics in table images. Evaluated on prominent table structure datasets such as PubTabNet, PubTables1M, WTW, and iFLYTAB, UniTabNet achieves a new state-of-the-art performance, demonstrating the efficacy of our approach. The code will also be made publicly available.
• Abstract（参考訳）: デジタル時代には、テーブル構造認識技術は大量の表データを処理するための重要なツールである。 従来の手法は主に表構造回復の視覚的側面に焦点を当てていたが、表内のテキスト意味論、特に記述的なテキスト細胞を効果的に理解できない場合が多い。 本稿では,画像・テキストモデルに基づくテーブル構造解析のための新しいフレームワークUniTabNetを提案する。 UniTabNetは‘divide-and-conquer’戦略を採用し、画像とテキストのモデルを使ってテーブルセルを分離し、物理デコーダと論理デコーダを統合して完全なテーブル構造を再構築する。 我々は、モデルが関連する領域に焦点を向け、予測精度を高めるビジョンガイドにより、我々のフレームワークをさらに強化する。 さらに,テーブルイメージのテクスチャ意味を理解するためのモデル機能を改善するために,Language Guiderを導入する。 PubTabNet、PubTables1M、WTW、iFLYTABなどの卓越したテーブル構造データセットに基づいて、UniTabNetは、新しい最先端のパフォーマンスを実現し、我々のアプローチの有効性を実証する。 コードは一般公開される予定だ。

関連論文リスト

• Rethinking Image-based Table Recognition Using Weakly Supervised Methods [3.9993134366218857]
  本稿では,WSTabNet というテーブル認識のための弱教師付きモデルを提案する。 深層学習によるテーブル認識を容易にするため、ウィキペディアから構築された最大規模の表画像ベースデータセットであるWikiTableSetを作成した。
  論文  参考訳（メタデータ） (2023-03-14T06:03:57Z)
• Towards Table-to-Text Generation with Pretrained Language Model: A Table Structure Understanding and Text Deliberating Approach [60.03002572791552]
  本稿では,テーブル構造理解とテキスト検討手法,すなわちTASDを提案する。 具体的には,表構造を考慮したテキスト生成モデルを実現するために,三層多層アテンションネットワークを考案する。 われわれのアプローチは、様々な種類のテーブルに対して忠実で流動的な記述テキストを生成することができる。
  論文  参考訳（メタデータ） (2023-01-05T14:03:26Z)
• A Graph Representation of Semi-structured Data for Web Question Answering [96.46484690047491]
  本稿では、半構造化データとそれらの関係の構成要素の体系的分類に基づいて、Webテーブルとリストのグラフ表現を提案する。 本手法は,最先端のベースラインに対してF1スコアを3.90ポイント向上させる。
  論文  参考訳（メタデータ） (2020-10-14T04:01:54Z)
• GraPPa: Grammar-Augmented Pre-Training for Table Semantic Parsing [117.98107557103877]
  テーブルセマンティック解析のための効果的な事前学習手法GraPPaを提案する。 我々は、同期文脈自由文法を用いて、高自由度テーブル上に合成質問ペアを構築する。 実世界のデータを表現できるモデルの能力を維持するため、マスキング言語モデリングも含んでいる。
  論文  参考訳（メタデータ） (2020-09-29T08:17:58Z)
• Towards Faithful Neural Table-to-Text Generation with Content-Matching Constraints [63.84063384518667]
  そこで本研究では,トランスフォーマーをベースとした新たな生成フレームワークを提案する。 忠実度を強制する手法の中核となる技術は、テーブル-テキストの最適トランスポート・マッチング・ロスである。 忠実度を評価するため,テーブル・ツー・テキスト生成問題に特化した新しい自動尺度を提案する。
  論文  参考訳（メタデータ） (2020-05-03T02:54:26Z)
• Global Table Extractor (GTE): A Framework for Joint Table Identification and Cell Structure Recognition Using Visual Context [11.99452212008243]
  本稿では,共同テーブル検出とセル構造認識のための視覚誘導型システムフレームワークを提案する。 GTE-Tableでは、テーブルネットワークをトレーニングするために、テーブルの自然セル封じ込め制約に基づく新たなペナルティを発明する。 これを使って、セルラベルでPubTabNetを強化し、FinTabNet、実世界の複雑な科学的および財務的なデータセットを作成します。
  論文  参考訳（メタデータ） (2020-05-01T20:14:49Z)
• GFTE: Graph-based Financial Table Extraction [66.26206038522339]
  金融業界や他の多くの分野において、表は構造化されていないデジタルファイル、例えばポータブル文書フォーマット(PDF)や画像でしばしば開示される。 我々はFinTabという中国の標準データセットを公開しています。 今後の比較のためのベースラインとしてGFTEという新しいグラフベースの畳み込みネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2020-03-17T07:10:05Z)
• Identifying Table Structure in Documents using Conditional Generative Adversarial Networks [0.0]
  多くの産業や学術研究において、情報は主に構造化されていない文書の形で伝達される。 本稿では,まず,テーブルイメージを標準化されたスケルトンテーブル形式にマッピングするために,条件付き生成逆数ネットワークを用いたトップダウンアプローチを提案する。 次に、xy-cutプロジェクションと遺伝的アルゴリズムを用いた潜在テーブル構造を導出する。
  論文  参考訳（メタデータ） (2020-01-13T20:42:40Z)
• 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。