Key points are not available for this paper at this time.
يعد تحليل تخطيط الوثائق بدقة مطلبًا أساسيًا لتحويل مستندات PDF عالية الجودة. مع التوافر الأخير لمجموعات بيانات عامة كبيرة وذات حقائق واقعية مثل PubLayNet وDocBank، أثبتت نماذج التعلم العميق أنها فعالة جداً في كشف وتجزئة التخطيطات. على الرغم من أن هذه المجموعات بياناتها كافية لتدريب مثل هذه النماذج، إلا أنها تفتقر بشدة إلى تنوع التخطيط، حيث إنها مستمدة فقط من مستودعات المقالات العلمية مثل PubMed وarXiv. وبالتالي، ينخفض دقة تجزئة التخطيط بشكل كبير عند تطبيق هذه النماذج على تخطيطات أكثر تحديًا وتنوعًا. في هذه الورقة، نقدم DocLayNet، مجموعة بيانات جديدة متاحة للجمهور، مُعَلَّمة لتخطيط الوثائق بصيغة COCO. تحتوي على 80863 صفحة مُعَلَّمة يدويًا من مصادر بيانات متنوعة لتمثيل تنوع واسع في التخطيطات. توفر التعليقات التوضيحية للتخطيط لكل صفحة PDF صناديق حدود مُعَلَّمة مع خيار 11 فئة متميزة. كما توفر DocLayNet مجموعة فرعية من الصفحات المزدوجة والثلاثية المُعَلَّمة لتحديد اتفاقية المُعَلِّمين. في عدة تجارب، نقدم درجات دقة أساسية (بالنسبة للمتوسط المتوازن) لمجموعة من نماذج كشف الكائنات الشائعة. كما نوضح أن هذه النماذج تتخلّف تقريبًا بنسبة 10% عن اتفاقية المُعَلِّمين. علاوة على ذلك، نقدم أدلة على أن DocLayNet حجمها كافٍ. أخيراً، نقارن بين النماذج المدربة على PubLayNet وDocBank وDocLayNet، موضحين أن توقعات التخطيط للنماذج المدربة على DocLayNet أكثر قوة وبالتالي هي الخيار المفضل لتحليل تخطيط الوثائق لأغراض عامة.
درس Pfitzmann وآخرون (يوم الجمعة) هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: