Key points are not available for this paper at this time.
تقدم هذه الورقة نظاماً جديداً من البداية إلى النهاية لفهم الجداول في صور الوثائق يسمى DeepDeSRT. على وجه الخصوص، فإن مساهمة DeepDeSRT مزدوجة. أولاً، تقدم حلاً معتمداً على التعلم العميق لكشف الجداول في صور الوثائق. ثانياً، تقترح نهجاً جديداً معتمداً على التعلم العميق للتعرف على هيكل الجداول، أي تحديد الصفوف والأعمدة ومواقع الخلايا في الجداول المكتشفة. على النقيض من الطرق القائم على القواعد الموجودة، التي تعتمد على الهيورستيك أو البيانات الوصفية الإضافية لملفات PDF (مثل، على سبيل المثال، تعليمات الطباعة، أو صناديق حدود الأحرف، أو مقاطع الأسطر)، فإن النظام المقدم مدفوع بالبيانات ولا يحتاج إلى أي هيورستيك أو بيانات وصفية للكشف عن الهياكل الجدولية في صور الوثائق وكذلك التعرف عليها. علاوة على ذلك، وعلى النقيض من معظم طرق كشف الجداول والتعرف على الهياكل الموجودة، والتي تطبق فقط على ملفات PDF، يقوم DeepDeSRT بمعالجة صور الوثائق، مما يجعله مناسبًا بنفس القدر لملفات PDF الرقمية الأصلية (حيث يمكن تحويلها تلقائيًا إلى صور) وكذلك للمشاكل الأكثر تعقيدًا، مثل المستندات الممسوحة. لتقييم أداء DeepDeSRT، يتم تقييم النظام على مجموعة بيانات مسابقة جداول ICDAR 2013 المتاحة للجمهور والتي تحتوي على 67 وثيقة بـ 238 صفحة إجمالاً. تكشف نتائج التقييم أن DeepDeSRT يتفوق على الطرق الأكثر تطوراً في كشف الجداول والتعرف على الهياكل ويحقق مقاييس F1 بنسبة 96.77% و91.44% لكشف الجداول والتعرف على الهياكل، على التوالي. بالإضافة إلى ذلك، يتم تقييم DeepDeSRT على مجموعة بيانات مغلقة من حالة استخدام حقيقية لشركة طيران أوروبية كبرى تتضمن مستندات تختلف بشكل كبير عن تلك الموجودة في ICDAR 2013. تم اختبارها على عينة مختارة عشوائياً من هذه المجموعة، حقق DeepDeSRT دقة عالية في الكشف عن الجداول مما يظهر قدرات التعميم الجيدة لنظامنا.
درس شرايبر وآخرون (الأربعاء) هذا السؤال.
Synapse has enriched 4 closely related papers on similar clinical questions. Consider them for comparative context: