基于显著性的卷积神经网络用于数字化文档中的表格与图表检测
计算机视觉与模式识别
2018-04-18 v1
摘要
深度卷积神经网络（DCNNs）近来已成功应用于多种视觉与多媒体任务，从而推动了若干应用领域中新颖解决方案的发展。文档分析是DCNNs尤其有前景的领域：事实上，可用数字文档的数量已达到前所未有的水平，若无自动化辅助，人类已无法发现并检索这些文档中包含的所有信息。在此情形下，DCNNs为自动化从数字文档中提取信息提供了可行方案。在文档信息提取领域中，表格与图表的检测尤为必要，因为它们包含了文档中最有价值信息的视觉摘要。为实现从表格与图表中视觉信息提取过程的完全自动化，有必要开发能够定位它们并精确识别其边界技术。本文旨在通过结合深度卷积神经网络、图模型与显著性概念的方法来解决表格/图表检测任务。具体而言，我们提出了一种基于显著性的全卷积神经网络，对视觉线索进行多尺度推理，随后使用全连接条件随机场（CRF）来定位数字/数字化文档中的表格与图表。在扩展版ICDAR 2013（标注了图表与表格）上进行的性能分析表明，我们的方法取得了有前景的结果，优于现有模型。
引用
@article{arxiv.1804.06236,
title = {A Saliency-based Convolutional Neural Network for Table and Chart Detection in Digitized Documents},
author = {I. Kavasidis and S. Palazzo and C. Spampinato and C. Pino and D. Giordano and D. Giuffrida and P. Messina},
journal= {arXiv preprint arXiv:1804.06236},
year = {2018}
}