重新审视基于检测的可视富文档图像表格结构识别
计算机视觉与模式识别
2024-01-11 v2 信息检索
摘要
表格结构识别（Table Structure Recognition, TSR）是一项被广泛讨论的任务，旨在将非结构化表格图像转换为结构化格式（如 HTML 序列），以使 ChatGPT 等仅文本模型能够进一步处理这些表格。一类解决方案是使用检测模型检测表格组件（如列与行），然后应用基于规则的后处理方法将检测结果转换为 HTML 序列。然而，现有基于检测的模型在单元格级 TSR 指标（如 TEDS）上通常表现不如其他类型解决方案，且限制这些模型在 TSR 任务上性能的深层原因也未被充分探究。因此，我们全面重访现有基于检测的模型，并探究阻碍这些模型性能的潜在原因，包括不当的问题定义、检测与 TSR 指标的不匹配问题、检测模型的特征以及局部与长程特征提取的影响。基于我们的分析与发现，我们采用简单方法对典型两阶段检测模型 Cascade R-CNN 进行定制以适配 TSR 任务。实验结果表明，定制后的基于 Cascade R-CNN 的模型在 FinTabNet 数据集上仅结构 TEDS 指标较基础 Cascade R-CNN 模型提升 16.35%，优于其他类型的先进方法，证明我们的发现可作为改进基于检测的 TSR 模型的指导，且纯基于检测的解决方案与其他类型解决方案（如基于图与图像到序列的解决方案）具有竞争力。
引用
@article{arxiv.2312.00699,
title = {Rethinking Detection Based Table Structure Recognition for Visually Rich Document Images},
author = {Bin Xiao and Murat Simsek and Burak Kantarci and Ala Abu Alkheir},
journal= {arXiv preprint arXiv:2312.00699},
year = {2024}
}
备注
under review