論文意訳: TableNet: Deep Learning model for end-to-end Table detection and Tabular data extraction from Scanned Document Image

issue: 2020.01 url: https://arxiv.org/pdf/2001.01469.pdf(https://arxiv.org/pdf/2001.01469.pdf)

問題提起

文書の画像データを扱う機会が増えたけど、人力で文字を読んで入力したりするのは大変

テーブル形式の文書データが増えた

テーブルにも色々なレイアウトがあり、そこから文字を機械的に検出するの難題

今ある手法はほとんどが

1)　テーブル範囲の検出

2)　テーブルの構造の検出

のどちらかを別々にやってるが、それぞれのタスクはそれぞれ補完しうるで、

マルチタスクで解けばいいのではないか

解決案

マルチタスクでEnd2Endにテーブル検出できるモデル「**TableNet** 」を提案

このモデルでは以下を検出

1) テーブルの範囲

2) テーブル内のカラムのセグメンテーション、その後ルールベースで行検出し、セルを取得

エンコーダーとしてImageNet datasetで学習ずみのVGG19を使用

エンコーダーの出力を二種類のデコーダーに渡してテーブル範囲と列を検出

モデル構造

データ

学習データ

Marmotデータセットにテーブルのアノテーションをしたもの

1016種類　中国語と英語が半々

評価データ

ICDAR2013 dataset

実装

環境
Intel(R) Xeon(R) Silver CPU having 32 cores
and RAM of 128 GB Tesla V100-PCIE-1 GPU with 6GB
of GPU memory.

ライブラリ tensorflow

学習

結果

既存の手法より少しだけ精度向上

ネットワークの構造

参考文献

15) Fully Convolutional Networks for Semantic Segmentation(https://www.cv-foundation.org/openaccess/content_cvpr_2015/papers/Long_Fully_Convolutional_Networks_2015_CVPR_paper.pdf)