論文の概要: Towards Hierarchical Structure Understanding of Newspaper Images
- arxiv url: http://arxiv.org/abs/2607.15082v1
- Date: Thu, 16 Jul 2026 14:52:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:33.151108
- Title: Towards Hierarchical Structure Understanding of Newspaper Images
- Title（参考訳）: 新聞画像の階層構造理解に向けて
- Abstract要約: 新聞構造理解のための2つの補完的アプローチについて検討する。
本稿では,レイアウト検出のためのYOLO,読み出し順序予測のためのLayoutReader,記事セグメンテーションのためのカスタムアルゴリズムなど,最先端のオープンソースモデルを組み合わせたモジュール型ボトムアップパイプラインを提案する。
第二に、Tiramisuは、反復的な階層化プロセスを通じて文書階層を明示的にモデル化する、新しいエンドツーエンドトランスフォーマーベースのアーキテクチャである。
- 参考スコア（独自算出の注目度）: 3.413237065698908
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding newspaper images remains a challenging task due to their complex, nested hierarchical structures and dense, heterogeneous layouts. In this paper, we explore two complementary approaches for newspaper structure understanding. First, we present a modular bottom-up pipeline that combines state-of-the-art open-source models: YOLO for layout detection, LayoutReader for reading order prediction, and a custom algorithm for article segmentation. This approach leverages existing robust components while maintaining flexibility and interpretability. Second, we introduce Tiramisu (Tiered Transformers for Hierarchical Structure Understanding), a novel end-to-end transformer-based architecture that explicitly models document hierarchy through an iterative tiered process. Tiramisu performs section and article separation, block localization, semantic categorization, and reading order prediction using highly parallelized attention mechanisms. Finally, we release Finlam La Liberté, a new dataset designed specifically for evaluating hierarchical information retrieval in historical newspapers. Experimental results demonstrate the effectiveness of both approaches in reconstructing complex newspaper hierarchies, with comparative analysis highlighting their respective strengths for scalable document digitization. The Tiramisu training code, including the synthetic newspaper generator, is available at https://git.litislab.fr/tiramisu/tiramisu-newspaper-articles-extractor.
- Abstract（参考訳）: 新聞画像の理解は、複雑な、ネストした階層構造と、密集した、異質なレイアウトのため、依然として難しい課題である。
本稿では,新聞構造理解のための2つの補完的アプローチについて検討する。
まず,レイアウト検出用YOLO,読み出し順序予測用LayoutReader,記事セグメンテーション用カスタムアルゴリズムなど,最先端のオープンソースモデルを組み合わせたモジュール型ボトムアップパイプラインを提案する。
このアプローチは、柔軟性と解釈可能性を維持しながら、既存の堅牢なコンポーネントを活用する。
第二に、Tiramisu(階層構造理解のための階層変換器)を紹介します。これは、反復的な階層化プロセスを通じて文書階層を明示的にモデル化する、エンドツーエンドのトランスフォーマーベースのアーキテクチャです。
Tiramisuはセクションと記事の分離、ブロックのローカライゼーション、セマンティックな分類、高度に並列化されたアテンション機構を用いた読み順予測を行う。
最後にFinlam La Libertéをリリースする。Finlam La Libertéは、歴史新聞の階層的情報検索に特化して設計された新しいデータセットである。
複雑な新聞階層の再構築における両手法の有効性を実験的に検証し, 拡張性のある文書のデジタル化におけるそれぞれの強みを比較検討した。
Tiramisuのトレーニングコードには合成新聞のジェネレータが含まれており、https://git.litislab.fr/tiramisu/tiramisu-newspaper-articles-extractor.comで公開されている。
関連論文リスト
- Narrative-Driven Paper-to-Slide Generation via ArcDeck [14.784435721765538]
ArcDeckは、紙とスライドの生成を構造化された物語再構築タスクとして定式化するフレームワークである。
まず、インプットを解析して、談話ツリーを構築し、グローバルなコミットメント文書を確立する。
これらの構造的先行は、反復的なマルチエージェント精錬プロセスを導く。
論文 参考訳（メタデータ） (2026-04-13T19:03:03Z) - Paper Circle: An Open-source Multi-agent Research Discovery and Analysis Framework [82.66443886385125]
ペーパーサークル(Paper Circle)は、学術文献の発見、評価、整理、理解に必要な労力を減らすために設計された発見・分析システムである。
1)複数のソースからのオフラインおよびオンライン検索を統合するディスカバリパイプライン,多エージェントスコアリング,多様性対応ランキング,構造化アウトプット,2)個々の論文を概念,メソッド,数値などの型付きノードで構造化された知識グラフに変換する分析パイプライン,の2つの補完パイプラインで構成されている。
論文 参考訳（メタデータ） (2026-04-07T17:59:58Z) - MoDora: Tree-Based Semi-Structured Document Analysis System [62.01015188258797]
半構造化文書は、様々な不規則なレイアウトで配置された様々なインターリーブされたデータ要素を統合する。
MoDora は半構造化文書解析のための LLM を利用したシステムである。
実験では、MoDoraは5.97%-61.07%の精度でベースラインを上回っている。
論文 参考訳（メタデータ） (2026-02-26T14:48:49Z) - Blurb-Refined Inference from Crowdsourced Book Reviews using Hierarchical Genre Mining with Dual-Path Graph Convolutions [0.09851812512860349]
HiGeMineは階層的なジャンルのマイニングフレームワークで、ユーザレビューと権威ある書籍の曖昧さをしっかりと統合している。
第1フェーズでは、HiGeMineはゼロショットセマンティックアライメント戦略を使用してレビューをフィルタリングし、対応するぼかしとセマンティックに一貫性のあるもののみを保持する。
第2フェーズでは、デュアルパス、2レベルグラフベースの分類アーキテクチャを導入する。
論文 参考訳（メタデータ） (2025-12-24T09:49:56Z) - Graph-tree Fusion Model with Bidirectional Information Propagation for Long Document Classification [20.434941308959786]
長い文書分類は、その広範な内容と複雑な構造のために困難を呈する。
既存のメソッドはトークン制限に苦しむことが多く、ドキュメント内の階層的関係を適切にモデル化することができない。
本手法は,文エンコーディングのための構文木と文書エンコーディングのための文書グラフを統合し,より詳細な構文関係とより広い文書コンテキストを抽出する。
論文 参考訳（メタデータ） (2024-10-03T19:25:01Z) - Autoregressive Search Engines: Generating Substrings as Document
Identifiers [53.0729058170278]
自動回帰言語モデルは、回答を生成するデファクト標準として現れています。
これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。
本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
論文 参考訳（メタデータ） (2022-04-22T10:45:01Z) - Long Document Summarization with Top-down and Bottom-up Inference [113.29319668246407]
本稿では、2つの側面の要約モデルを改善するための原則的推論フレームワークを提案する。
我々のフレームワークは、トップレベルが長距離依存性をキャプチャするドキュメントの階層的な潜在構造を前提としています。
本稿では,様々な要約データセットに対して提案手法の有効性を示す。
論文 参考訳（メタデータ） (2022-03-15T01:24:51Z) - Enriching Transformers with Structured Tensor-Product Representations
for Abstractive Summarization [131.23966358405767]
抽象的な要約のタスクに対して,明示的に構成された製品表現(TPR)をTP-TRANSFORMERに適用する。
モデルの主な特徴は、トークンごとに2つの別々の表現を符号化することで導入する構造バイアスである。
本稿では,TP-TRANSFORMER が Transformer と TP-TRANSFORMER より優れていることを示す。
論文 参考訳（メタデータ） (2021-06-02T17:32:33Z) - Graph-based Topic Extraction from Vector Embeddings of Text Documents:
Application to a Corpus of News Articles [0.0]
自然言語処理の強力なベクトル埋め込みと,マルチスケールグラフ分割のツールを組み合わせた,教師なしのフレームワークを提案する。
グラフベースのクラスタリングの利点を,他の一般的なクラスタリングやトピックモデリング手法とエンドツーエンド比較によって示す。
この研究は2016年の大統領選挙の際、アメリカのニュース記事のコーパスを分析して紹介された。
論文 参考訳（メタデータ） (2020-10-28T16:20:05Z) - Extractive Summarization as Text Matching [123.09816729675838]
本稿では,ニューラル抽出要約システムの構築方法に関するパラダイムシフトを作成する。
抽出した要約タスクを意味テキストマッチング問題として定式化する。
我々はCNN/DailyMailの最先端抽出結果を新しいレベル(ROUGE-1の44.41)に推し進めた。
論文 参考訳（メタデータ） (2020-04-19T08:27:57Z)
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。
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。