Fugu-MT 論文翻訳(概要): Enhancing Document Key Information Localization Through Data Augmentation

論文の概要: Enhancing Document Key Information Localization Through Data Augmentation

arxiv url: http://arxiv.org/abs/2502.06132v1
Date: Mon, 10 Feb 2025 03:46:39 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-11 14:35:15.069701
Title: Enhancing Document Key Information Localization Through Data Augmentation
Title（参考訳）: データ拡張による文書鍵情報ローカライゼーションの強化
Authors: Yue Dai,
Abstract要約: 本研究の目的は,デジタル文書と手書き文書の両方にオブジェクトをローカライズする手法を開発することである。我々は手書き文書の出現を模倣してデジタル文書のトレーニングセットを強化する。
参考スコア（独自算出の注目度）: 0.9065034043031668
License:
Abstract: The Visually Rich Form Document Intelligence and Understanding (VRDIU) Track B focuses on the localization of key information in document images. The goal is to develop a method capable of localizing objects in both digital and handwritten documents, using only digital documents for training. This paper presents a simple yet effective approach that includes a document augmentation phase and an object detection phase. Specifically, we augment the training set of digital documents by mimicking the appearance of handwritten documents. Our experiments demonstrate that this pipeline enhances the models' generalization ability and achieves high performance in the competition.
Abstract（参考訳）: The Visually Rich Form Document Intelligence and Understanding (VRDIU) Track Bは、ドキュメントイメージ内のキー情報のローカライズに焦点を当てている。本研究の目的は、デジタル文書のみを用いて、デジタル文書と手書き文書の両方にオブジェクトをローカライズする手法を開発することである。本稿では,文書拡張フェーズとオブジェクト検出フェーズを含む,シンプルで効果的な手法を提案する。具体的には,手書き文書の出現を模倣することで,デジタル文書のトレーニングセットを強化する。実験により, このパイプラインはモデルの一般化能力を向上し, 競争における高い性能を実現することを示す。

関連論文リスト

DocXplain: A Novel Model-Agnostic Explainability Method for Document Image Classification [5.247930659596986]
本稿では,高解釈性特徴属性マップの生成に特化して設計された新しいモデルに依存しない説明可能性手法であるDocXplainを紹介する。 4つの異なる評価指標を用いて,文書画像分類の文脈において提案手法を広範囲に評価した。著者の知識を最大限に活用するために、本研究は、特に文書画像に適した、モデルに依存しない属性に基づく説明可能性法を初めて提示する。
論文参考訳（メタデータ） (2024-07-04T10:59:15Z)
Visually Guided Generative Text-Layout Pre-training for Document Intelligence [51.09853181377696]
視覚誘導型生成テキスト事前学習(ViTLP)を提案する。文書画像が与えられた場合、モデルは階層言語とレイアウトモデリングの目的を最適化し、インターリーブされたテキストとレイアウトシーケンスを生成する。 ViTLPは、文書画像のテキストをローカライズし、認識するためのネイティブなOCRモデルとして機能する。
論文参考訳（メタデータ） (2024-03-25T08:00:43Z)
LayoutLLM: Large Language Model Instruction Tuning for Visually Rich Document Understanding [0.0]
本稿では,より柔軟な画像文書解析手法であるLayoutLLMを提案する。画像,テキスト,レイアウト構造を事前学習することで,文書の理解を高める手法が開発されている。本実験は,文書解析タスクにおけるベースラインモデルの改善を実証する。
論文参考訳（メタデータ） (2024-03-21T09:25:24Z)
DocMAE: Document Image Rectification via Self-supervised Representation Learning [144.44748607192147]
文書画像修正のための新しい自己教師型フレームワークDocMAEを提案する。まず、背景を除いた文書画像のランダムなパッチをマスクし、欠落したピクセルを再構成する。このような自己教師型学習手法により、ネットワークは変形文書の本質的な構造を学習することが奨励される。
論文参考訳（メタデータ） (2023-04-20T14:27:15Z)
Augraphy: A Data Augmentation Library for Document Images [59.457999432618614]
Augraphyはデータ拡張パイプラインを構築するためのPythonライブラリである。標準的なオフィス操作によって変更されたように見えるクリーンなドキュメントイメージの拡張版を作成するための戦略を提供する。
論文参考訳（メタデータ） (2022-08-30T22:36:19Z)
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)
The Law of Large Documents: Understanding the Structure of Legal Contracts Using Visual Cues [0.7425558351422133]
コンピュータビジョン手法を用いて得られた視覚的手がかりが文書理解タスクの精度に与える影響を計測する。構造メタデータに基づく文書のセグメンテーション手法は,4つの文書理解タスクにおいて,既存の手法よりも優れていた。
論文参考訳（メタデータ） (2021-07-16T21:21:50Z)
Focused Attention Improves Document-Grounded Generation [111.42360617630669]
文書基盤生成は、文書に提供される情報を用いてテキスト生成を改善するタスクである。本研究はwikipedia更新生成タスクと対話応答生成という2つの異なる文書基底生成タスクに焦点を当てている。
論文参考訳（メタデータ） (2021-04-26T16:56:29Z)
DOC2PPT: Automatic Presentation Slides Generation from Scientific Documents [76.19748112897177]
文書・スライド生成のための新しい課題とアプローチを提案する。エンドツーエンドでタスクに取り組むための階層的なシーケンス・ツー・シーケンスアプローチを提案する。提案手法では,文書やスライド内の固有構造を利用して,パラフレーズとレイアウト予測モジュールを組み込んでスライドを生成する。
論文参考訳（メタデータ） (2021-01-28T03:21:17Z)
Graphical Object Detection in Document Images [30.48863304419383]
文書画像中のグラフィカルオブジェクトをローカライズする「グラフィカルオブジェクト検出(Graphical Object Detection, GOD)」という、エンドツーエンドのトレーニング可能なディープラーニングベースのフレームワークを提案する。我々のフレームワークはデータ駆動であり、文書画像内のグラフィカルなオブジェクトを見つけるのにメタデータを一切必要としない。我々のモデルは最先端技術と比較して有望な結果をもたらす。
論文参考訳（メタデータ） (2020-08-25T06:35:57Z)

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。