An End-to-End Multi-Task Learning Model for Image-based Table Recognition

要約

テーブル スタイルの多様性とテーブル構造の複雑さのため、画像ベースのテーブル認識は困難な作業です。
以前の方法のほとんどは、問題を 2 つの別個のサブ問題に分割する非エンド ツー エンドのアプローチに焦点を当てています。テーブル構造の認識。
および細胞内容の認識を行い、2 つの別々のシステムを使用して、各サブ問題を個別に解決しようとします。
この論文では、画像ベースの表認識のためのエンドツーエンドのマルチタスク学習モデルを提案します。
提案されたモデルは、1 つの共有エンコーダー、1 つの共有デコーダー、およびテーブル認識の 3 つのサブタスク (テーブル構造認識、セル検出、およびセル内容認識) の学習に使用される 3 つの別個のデコーダーで構成されます。
システム全体は、エンドツーエンドのアプローチで簡単にトレーニングおよび推論できます。
実験では、FinTabNet と PubTabNet という 2 つの大規模なデータセットで提案されたモデルのパフォーマンスを評価します。
実験結果は、提案されたモデルがすべてのベンチマーク データセットで最先端の方法より優れていることを示しています。

要約(オリジナル)

Image-based table recognition is a challenging task due to the diversity of table styles and the complexity of table structures. Most of the previous methods focus on a non-end-to-end approach which divides the problem into two separate sub-problems: table structure recognition; and cell-content recognition and then attempts to solve each sub-problem independently using two separate systems. In this paper, we propose an end-to-end multi-task learning model for image-based table recognition. The proposed model consists of one shared encoder, one shared decoder, and three separate decoders which are used for learning three sub-tasks of table recognition: table structure recognition, cell detection, and cell-content recognition. The whole system can be easily trained and inferred in an end-to-end approach. In the experiments, we evaluate the performance of the proposed model on two large-scale datasets: FinTabNet and PubTabNet. The experiment results show that the proposed model outperforms the state-of-the-art methods in all benchmark datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google