从表格到LaTeX：科学表格的结构与内容提取
信息检索
2022-11-01 v1 人工智能
计算机视觉与模式识别
摘要
科学文档中包含以简明方式列出重要信息的表格。从嵌入 PDF 研究文档中的表格提取结构与内容是一项非常具有挑战性的任务，原因在于存在跨单元格等视觉特征以及数学符号与方程等内容特征。大多数现有的表格结构识别方法往往忽略这些学术写作特征。本文中，我们调整基于 Transformer 的语言建模范式用于科学表格的结构与内容提取。具体而言，所提出的模型将表格图像转换为其对应的 LaTeX 源代码。总体上，我们优于当前最先进的基线，在表格结构与内容提取上分别取得了 70.35% 和 49.69% 的精确匹配准确率。进一步的分析表明，所提出的模型能有效识别行数与列数、字母数字字符、LaTeX 标记以及符号。
引用
@article{arxiv.2210.17246,
title = {Tables to LaTeX: structure and content extraction from scientific tables},
author = {Pratik Kayal and Mrinal Anand and Harsh Desai and Mayank Singh},
journal= {arXiv preprint arXiv:2210.17246},
year = {2022}
}
备注
10 pages, published in IJDAR'22. arXiv admin note: text overlap with arXiv:2105.14426