TransDocAnalyser：面向法律领域离线半结构化手写文档分析的框架
计算机视觉与模式识别
2023-06-06 v1
摘要
最先进的离线光学字符识别（OCR）框架在半结构化手写领域特定文档上表现不佳，因为它们无法以领域特定语义对表单字段进行定位与标注。现有的半结构化文档分析技术主要使用由发票、采购订单、收据和身份证件文档组成的数据集进行基准测试。在本工作中，我们通过收集来自印度多个警察局的大量第一信息报告（FIR）文档，构建了法律领域首个半结构化文档分析数据集。该数据集我们称之为 FIR 数据集，比大多数现有文档分析数据集更具挑战性，因为它将多种手写文本与印刷文本相结合。我们还提出了一种用于离线处理手写半结构化文档的端到端框架，并在我们新颖的 FIR 数据集上进行了基准测试。我们的框架使用编码器-解码器架构来定位与标注表单字段并识别手写内容。编码器由 Faster-RCNN 和 Vision Transformers 组成。此外，基于 Transformer 的解码器架构使用领域特定分词器进行训练。我们还提出了一种后校正方法来处理与领域特定术语相关的识别错误。我们提出的框架在 FIR 数据集上取得了最先进的结果，优于多个现有模型。
引用
@article{arxiv.2306.02142,
title = {TransDocAnalyser: A Framework for Offline Semi-structured Handwritten Document Analysis in the Legal Domain},
author = {Sagar Chakraborty and Gaurav Harit and Saptarshi Ghosh},
journal= {arXiv preprint arXiv:2306.02142},
year = {2023}
}
备注
This paper has been accepted in 17th International Conference on Document Analysis and Recognition(ICDAR) as an Oral presentation