文档版面标注：公共事务领域的数据库与基准
信息检索
2023-09-06 v2 计算机视觉与模式识别
数据库
摘要
每天都有数千份数字文档生成，其中包含对公司、公共组织和公民有用的信息。鉴于人工处理的不可能性，在某些行业中自动处理这些文档正变得愈发必要。然而，该任务仍然具有挑战性，因为在大多数情况下仅基于文本的解析不足以充分理解通过不同重要性组件所呈现的信息。对此，文档版面分析（DLA）多年来一直是一个有趣的研究领域，旨在检测和分类文档的基本组件。本工作中，我们采用一种半自动标注数字文档不同版面标签的流程，包括 4 个基本版面块和 4 个文本类别。我们应用该流程，利用来自西班牙行政部门的 24 个数据源，收集了一个新颖的公共事务领域 DLA 数据库。该数据库包含 37.9K 份文档、超过 441K 个文档页面，以及关联到 8 个版面块单元的超过 8M 个标签。我们的实验结果以高达 99% 的准确率验证了所提出的文本标注流程。
引用
@article{arxiv.2306.10046,
title = {Document Layout Annotation: Database and Benchmark in the Domain of Public Affairs},
author = {Alejandro Peña and Aythami Morales and Julian Fierrez and Javier Ortega-Garcia and Marcos Grande and Iñigo Puente and Jorge Cordova and Gonzalo Cordova},
journal= {arXiv preprint arXiv:2306.10046},
year = {2023}
}
备注
Accepted in ICDAR 2023 Workshop on Machine Vision and NLP for Document Analysis