缩小 DETR 与 R-CNN 在文档图像图形对象检测中的性能差距
计算机视觉与模式识别
2023-06-26 v1
摘要
本文在缩小 DETR 与 R-CNN 用于图形对象检测的性能差距方面迈出了重要一步。现有的图形对象检测方法已受益于近期基于 CNN 的对象检测方法的改进，取得了显著进展。近来，基于 Transformer 的检测器大幅提升了通用对象检测性能，消除了对手工特征或诸如使用对象查询的非极大值抑制（NMS）等后处理步骤的需求。然而，此类增强的基于 transformer 的检测算法在图形对象检测问题上的有效性尚待验证。本质上，受 DETR 最新进展的启发，我们采用现有检测 transformer 并作少量修改用于图形对象检测。我们以不同方式修改对象查询，使用点、锚框并向锚框添加正负噪声以提升性能。这些修改能更好地处理具有不同尺寸与长宽比的对象，对对象位置与尺寸的微小变化更具鲁棒性，并改善对象与非对象间的图像判别。我们在四个图形数据集上评估我们的方法：PubTables、TableBank、NTable 与 PubLaynet。在 DETR 中集成查询修改后，我们超越了先前工作，并在 TableBank、PubLaynet、PubTables 上分别以 96.9%、95.7% 和 99.3% 的 mAP 取得了新的最先进结果。大量消融实验结果表明，基于 transformer 的方法在文档分析中与其他应用类似更为有效。我们希望本研究能引起更多对文档图像分析中使用检测 transformer 研究的关注。
引用
@article{arxiv.2306.13526,
title = {Bridging the Performance Gap between DETR and R-CNN for Graphical Object Detection in Document Images},
author = {Tahira Shehzadi and Khurram Azeem Hashmi and Didier Stricker and Marcus Liwicki and Muhammad Zeshan Afzal},
journal= {arXiv preprint arXiv:2306.13526},
year = {2023}
}