从编码学到代码：Transformer 与 YOLO 基检测器在历史文件布局分析中的比较研究

鲁棒的文件布局分析 (DLA) 对自动化处理和理解具有复杂页面组织的历史文档至关重要。本文对五种最新对象检测架构在三个标注数据集上进行基准测试，这些数据集代表了编码学复杂性的不同范围：e-NDP，巴黎中世纪登记簿（1326-1504）；CATMuS，来自 various 中世纪和现代来源（约12至17世纪）的多类数据集；HORAE，装饰性仪书（约13至16世纪）的语料库。我们评估两种基于 Transformer 的模型（Co-DETR、Grounding DINO）与三个 YOLO 变体（AABB、OBB 和 YOLO-World）。我们的发现显示，模型架构、数据集特征以及边界框表示方式对性能有显著影响。在 e-NDP 数据集上，Co-DETR 实现了最佳结果（0.752 [email protected]:.95），紧随其后的是 YOLOv11X-OBB（0.721）。相反，在更复杂的 CATMuS 和 HORAE 数据集上，基于 CNN 的 YOLOv11x-OBB 大幅超越所有其他模型（分别为 0.564 和 0.568）。本研究无疑表明，使用倾斜边界框 (OBB) 并非微小的改进，而是准确建模历史手稿非笛卡尔特性的根本要求。我们得出结论，在结构化布局方面具有全局上下文感知能力的 Transformer 与在视觉上更为多样和复杂的文档中表现出优异泛化能力的 CNN-OBB 模型之间存在关键权衡。