一种面向野外端到端表格识别的大规模数据集
计算机视觉与模式识别
2024-09-05 v1
摘要
表格识别（TR）是模式识别中的研究热点之一，旨在从图像中的表格提取信息。常见表格识别任务包括表格检测（TD）、表格结构识别（TSR）和表格内容识别（TCR）。TD 用于定位图像中的表格，TCR 识别文本内容，TSR 识别空间逻辑结构。目前，真实场景中的端到端 TR，即同时完成三个子任务，尚属未探索的研究领域。制约研究者的一个主要因素是缺乏基准数据集。为此，我们提出一个名为 Table Recognition Set（TabRecSet）的新大规模数据集，其具有源自野外多种场景的多样表格形式，并提供专用于端到端 TR 研究的完整标注。它是最大且首个用于端到端 TR 的双语数据集，包含 38.1K 个表格，其中 20.4K 为英文，17.7K 为中文。样本具有多样形式，如边框完整与不完整表格、规则与不规则表格（旋转、扭曲等）。场景在野外多种多样，从扫描到相机拍摄图像、文档到 Excel 表格、教育试卷到财务发票。标注完整，分别由用于 TD、TSR 和 TCR 的表格主体空间标注、单元格空间逻辑标注和文本内容组成。空间标注利用多边形而非大多数数据集采用的边界框或四边形。多边形空间标注更适用于野外场景中常见的不规则表格。此外，我们提出一个名为 TableMe 的可视化交互标注工具，以提升表格标注的效率与质量。
引用
@article{arxiv.2303.14884,
title = {A large-scale dataset for end-to-end table recognition in the wild},
author = {Fan Yang and Lei Hu and Xinwu Liu and Shuangping Huang and Zhenghui Gu},
journal= {arXiv preprint arXiv:2303.14884},
year = {2024}
}