論文の概要: KH-FUNSD: A Hierarchical and Fine-Grained Layout Analysis Dataset for Low-Resource Khmer Business Document

• arxiv url: http://arxiv.org/abs/2512.11849v1
• Date: Thu, 04 Dec 2025 13:28:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-21 14:22:08.721815
• Title: KH-FUNSD: A Hierarchical and Fine-Grained Layout Analysis Dataset for Low-Resource Khmer Business Document
• Title（参考訳）: KH-FUNSD:低リソースKhmerビジネスドキュメントのための階層的かつ微細なレイアウト解析データセット
• Authors: Nimol Thuon, Jun Du,
• Abstract要約: クメール語はカンボジアで1700万人以上が毎日話す言語である。 専門リソースの欠如は、ビジネスドキュメントにとって特に深刻です。 Khmer形式文書理解のための最初の公開データセットである textbfKH-FUNSD を提示する。
• 参考スコア（独自算出の注目度）: 11.302542266122579
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Automated document layout analysis remains a major challenge for low-resource, non-Latin scripts. Khmer is a language spoken daily by over 17 million people in Cambodia, receiving little attention in the development of document AI tools. The lack of dedicated resources is particularly acute for business documents, which are critical for both public administration and private enterprise. To address this gap, we present \textbf{KH-FUNSD}, the first publicly available, hierarchically annotated dataset for Khmer form document understanding, including receipts, invoices, and quotations. Our annotation framework features a three-level design: (1) region detection that divides each document into core zones such as header, form field, and footer; (2) FUNSD-style annotation that distinguishes questions, answers, headers, and other key entities, together with their relationships; and (3) fine-grained classification that assigns specific semantic roles, such as field labels, values, headers, footers, and symbols. This multi-level approach supports both comprehensive layout analysis and precise information extraction. We benchmark several leading models, providing the first set of baseline results for Khmer business documents, and discuss the distinct challenges posed by non-Latin, low-resource scripts. The KH-FUNSD dataset and documentation will be available at URL.
• Abstract（参考訳）: ドキュメントレイアウトの自動解析は、低リソースで非ラテン文字にとって依然として大きな課題である。 Khmerはカンボジアで1700万人以上が毎日話す言語で、ドキュメントAIツールの開発にはほとんど関心がない。 専門資源の欠如は特にビジネス文書にとって急激であり、公共行政と民間企業の両方にとって重要なものである。 このギャップに対処するために、最初に公開されたKhmerフォーム文書理解のための階層的な注釈付きデータセットであるtextbf{KH-FUNSD}を紹介し、レシート、請求書、引用を含む。 このアノテーションフレームワークは,(1) 文書をヘッダ,フォームフィールド,フッタなどのコアゾーンに分割する領域検出,(2) 質問,回答,ヘッダ,その他のキーエンティティを識別するFUNSDスタイルのアノテーション,(3) フィールドラベル,値,ヘッダ,フッタ,シンボルなどの特定の意味的役割を割り当てるきめ細かい分類,という3段階の設計を特徴としている。 このマルチレベルアプローチは、包括的レイアウト解析と正確な情報抽出の両方をサポートする。 我々は、いくつかの主要なモデルをベンチマークし、Khmerビジネス文書のベースライン結果の最初のセットを提供し、非ラテン、低リソーススクリプトによって引き起こされる異なる課題について議論する。 KH-FUNSDデータセットとドキュメントはURLで提供される。

関連論文リスト

• VisR-Bench: An Empirical Study on Visual Retrieval-Augmented Generation for Multilingual Long Document Understanding [49.07705729597171]
  VisR-Benchは、長い文書における質問駆動型マルチモーダル検索のベンチマークである。 ベンチマークは、1.2Kドキュメントで35K以上の高品質なQAペアで構成されています。 テキストベースの手法,マルチモーダルエンコーダ,MLLMなど,さまざまな検索モデルを評価する。
  論文  参考訳（メタデータ） (2025-08-10T21:44:43Z)
• MMESGBench: Pioneering Multimodal Understanding and Complex Reasoning Benchmark for ESG Tasks [56.350173737493215]
  環境・社会・ガバナンス(ESG)報告は、持続可能性の実践の評価、規制コンプライアンスの確保、財務透明性の促進に不可欠である。 MMESGBenchは、マルチモーダル理解と複雑な推論を、構造的に多種多様なマルチソースESG文書間で評価するための、最初のベンチマークデータセットである。 MMESGBenchは、45のESG文書から得られた933の検証済みQAペアで構成され、7つの異なるドキュメントタイプと3つの主要なESGソースカテゴリにまたがる。
  論文  参考訳（メタデータ） (2025-07-25T03:58:07Z)
• SRFUND: A Multi-Granularity Hierarchical Structure Reconstruction Benchmark in Form Understanding [55.48936731641802]
  階層的に構造化されたマルチタスク形式理解ベンチマークであるSRFUNDを提案する。 SRFUNDはオリジナルのFUNSDとXFUNDデータセットの上に洗練されたアノテーションを提供する。 データセットには、英語、中国語、日本語、ドイツ語、フランス語、スペイン語、イタリア語、ポルトガル語を含む8つの言語が含まれている。
  論文  参考訳（メタデータ） (2024-06-13T02:35:55Z)
• BuDDIE: A Business Document Dataset for Multi-task Information Extraction [18.440587946049845]
  BuDDIEは、1,665の現実世界のビジネスドキュメントのマルチタスクデータセットである。 当社のデータセットは、米国政府のウェブサイトから公開されているビジネスエンティティドキュメントで構成されています。
  論文  参考訳（メタデータ） (2024-04-05T10:26:42Z)
• Leveraging Collection-Wide Similarities for Unsupervised Document Structure Extraction [61.998789448260005]
  本稿では,コレクション内の文書の典型的構造を特定することを提案する。 任意のヘッダのパラフレーズを抽象化し、各トピックを各ドキュメントのロケーションにグルーピングします。 文書間の類似性を利用した教師なしグラフベース手法を開発した。
  論文  参考訳（メタデータ） (2024-02-21T16:22:21Z)
• PARAGRAPH2GRAPH: A GNN-based framework for layout paragraph analysis [6.155943751502232]
  本稿では,言語に依存しないグラフニューラルネットワーク(GNN)モデルを提案する。 我々のモデルは産業アプリケーション、特に多言語シナリオに適しています。
  論文  参考訳（メタデータ） (2023-04-24T03:54:48Z)
• Entry Separation using a Mixed Visual and Textual Language Model: Application to 19th century French Trade Directories [18.323615434182553]
  重要な課題は、ターゲットデータベースの基本的なテキスト領域を構成するものを正確に分割することである。 19世紀のフランス貿易ディレクトリーに効率性を示す新しい実用的アプローチを提案する。 NER目的に使用される言語モデルのトークンストリームに、特別なビジュアルトークン、例えばインデントやブレークといったコーディングを注入することで、テキストと視覚の両方の知識を同時に活用することができる。
  論文  参考訳（メタデータ） (2023-02-17T15:30:44Z)
• RDU: A Region-based Approach to Form-style Document Understanding [69.29541701576858]
  キー情報抽出(KIE)は,フォーム形式の文書から構造化された情報を抽出することを目的としている。 我々は、Rerea-based Understanding Document (RDU) と呼ばれる新しいKIEモデルを開発する。 RDUは文書のテキスト内容と対応する座標を入力として、バウンディングボックスのような領域をローカライズして結果を予測しようとする。
  論文  参考訳（メタデータ） (2022-06-14T14:47:48Z)
• Evaluation of a Region Proposal Architecture for Multi-task Document Layout Analysis [0.685316573653194]
  Mask-RCNNアーキテクチャは、ベースライン検出と領域分割の問題に対処するために設計されている。 2つの手書きテキストデータセットと1つの手書き音楽データセットに関する実験結果を示す。 分析したアーキテクチャは有望な結果をもたらし、3つのデータセットすべてで最先端のテクニックよりも優れています。
  論文  参考訳（メタデータ） (2021-06-22T14:07:27Z)

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。