awesome document understanding

Pemahaman dokumen yang luar biasa

Daftar sumber daya yang dikuratori untuk topik pemahaman dokumen (DU) yang terkait dengan pemrosesan dokumen cerdas (IDP), yang relatif terhadap otomatisasi proses robot (RPA) dari data yang tidak terstruktur, terutama dokumen kaya visual (VRD).

Catatan 1: Posisi tebal lebih penting daripada yang lain.

Catatan 2: Karena kebaruan lapangan, daftar ini sedang dibangun - kontribusi dipersilakan (terima kasih sebelumnya!). Harap ingat untuk menggunakan konvensi berikut:

• Judul publikasi / judul dataset / sumber daya, [kode / data / situs web]
  Daftar Konferensi Penulis/Nama Nama Jurnal

  Ukuran dataset: kereta api (tidak ada contoh), dev (tidak ada contoh), tes (tidak ada contoh) [opsional untuk kertas/sumber daya dataset]; Abstrak/Deskripsi Singkat ...

Daftar isi

1. Perkenalan
2. Topik Penelitian
   1. Ekstraksi Informasi Utama (KIE)
   2. Analisis Tata Letak Dokumen (DLA)
   3. Penjawab pertanyaan dokumen (DQA)
   4. Pemahaman Dokumen Ilmiah (SDU)
   5. Pengenalan Karakter Optik (OCR)
   6. Terkait
      1. Umum
      2. Pemahaman Data Tabular (TDC)
      3. Otomasi Proses Robot (RPA)
3. Yang lain
   1. Sumber daya
      1. Dataset untuk model bahasa pra-pelatihan
      2. Alat pemrosesan PDF
   2. Konferensi / lokakarya
   3. Blog
   4. Solusi
4. Contoh
   1. Dokumen kaya visual (VRD)
   2. Ekstraksi Informasi Utama (KIE)
   3. Analisis Tata Letak Dokumen (DLA)
   4. Penjawab pertanyaan dokumen (DQA)
5. Inspirasi

Perkenalan

Dokumen adalah bagian inti dari banyak bisnis di banyak bidang seperti hukum, keuangan, dan teknologi. Pemahaman otomatis tentang dokumen -dokumen seperti faktur, kontrak, dan resume itu menguntungkan, membuka banyak jalan bisnis baru. Bidang pemrosesan bahasa alami dan visi komputer telah melihat kemajuan yang luar biasa melalui pengembangan pembelajaran yang mendalam sehingga metode ini telah mulai diresapi dalam sistem pemahaman dokumen kontemporer. sumber

Dokumen

2023

• Benchmark patuh untuk lokalisasi dan ekstraksi informasi dokumen, [situs web] [benchmark] [kode]
  Štěpán Šimsa, Milan Šulc, Michal Uřičář, Yash Patel, Ahmed Hamdi, Matěj Kocián, Matyáš Skalický, Jiří Matas, Antoine Doucet, Mickaël Coustaty, Dimosthenis Karatzas Arxiva-Pre-print coustaty, Dimosthenis Karatzas Arxiva Arx3

  Makalah ini memperkenalkan tolok ukur patuh dengan dataset dokumen bisnis terbesar untuk tugas -tugas lokalisasi dan ekstraksi informasi utama dan pengakuan item baris. Ini berisi 6,7K dokumen bisnis beranotasi, 100 ribu dokumen yang dihasilkan secara sintetis, dan hampir ~ 1M dokumen yang tidak berlabel untuk pra-pelatihan tanpa pengawasan. Dataset telah dibangun dengan pengetahuan tentang aspek domain dan tugas-spesifik, yang menghasilkan fitur-fitur utama berikut: (i) anotasi di 55 kelas, yang melampaui granularitas kumpulan data ekstraksi informasi utama yang diterbitkan sebelumnya dengan margin besar; (ii) pengenalan item baris merupakan tugas ekstraksi informasi yang sangat praktis, di mana informasi utama harus ditetapkan ke item dalam tabel; (iii) Dokumen berasal dari berbagai tata letak dan set tes mencakup kasus nol dan beberapa-shot serta tata letak yang biasa terlihat dalam set pelatihan. Benchmark dilengkapi dengan beberapa baseline, termasuk Roberta, LayoutLMV3 dan Detr Table Transformer. Model -model dasar ini diterapkan pada kedua tugas tolok ukur yang patuh, dengan hasil yang dibagikan dalam makalah ini, menawarkan titik awal yang cepat untuk pekerjaan di masa depan. Dataset dan garis dasar tersedia di URL HTTPS ini.

2022

• Ekstraksi Informasi Dokumen Bisnis: Menuju Tolok Ukur Praktis

  Matyáš Skalický, Štěpán Šimsa, Michal Uřičář, Milan Šulc Clef 2022

  Ekstraksi informasi dari dokumen semi-terstruktur sangat penting untuk komunikasi bisnis tanpa gesekan (B2B). Sementara masalah pembelajaran mesin yang terkait dengan ekstraksi informasi dokumen (IE) telah dipelajari selama beberapa dekade, banyak definisi dan tolok ukur masalah umum tidak mencerminkan aspek khusus domain dan kebutuhan praktis untuk mengotomatisasi komunikasi dokumen B2B. Kami meninjau lanskap dokumen, yaitu masalah, kumpulan data, dan tolok ukur. Kami menyoroti aspek -aspek praktis yang hilang dalam definisi umum dan menentukan masalah lokalisasi dan ekstraksi informasi utama (Kile) dan masalah pengenalan item (LIR). Ada kekurangan kumpulan data dan tolok ukur yang relevan untuk dokumen IE pada dokumen bisnis semi-terstruktur karena konten mereka biasanya dilindungi secara hukum atau sensitif. Kami membahas sumber -sumber potensial dari dokumen yang tersedia termasuk data sintetis.

• Doc2Graph: Kerangka Pemahaman Dokumen Agnostik Tugas Berdasarkan Grafik Jaringan Saraf, [Kode]

  Andrea Gemelli, Sanket Biswas, Enrico Civitelli, Josep Lladós, Simone Marinai Tie Workshop @ ECCV 2022

  Geometris Deep Learning baru -baru ini menarik minat yang signifikan dalam berbagai bidang pembelajaran mesin, termasuk analisis dokumen. Penerapan grafik jaringan saraf (GNNs) telah menjadi penting dalam berbagai tugas terkait dokumen karena mereka dapat mengungkap pola struktural yang penting, mendasar dalam proses ekstraksi informasi utama. Pekerjaan sebelumnya dalam literatur mengusulkan model yang digerakkan oleh tugas dan tidak memperhitungkan kekuatan penuh grafik. Kami mengusulkan Doc2Graph, kerangka pemahaman dokumen-agnostik tugas berdasarkan model GNN, untuk menyelesaikan tugas yang berbeda yang diberikan berbagai jenis dokumen. Kami mengevaluasi pendekatan kami pada dua set data yang menantang untuk ekstraksi informasi utama dalam pemahaman bentuk, analisis tata letak faktur dan deteksi tabel

2021

• Dokumen AI: Tolok Ukur, Model, dan Aplikasi

  Lei Cui, Yiheng Xu, Tengchao LV, Furu Wei Arxiv 2021

  Dokumen AI, atau Dokumen Intelijen, adalah topik penelitian yang relatif baru yang mengacu pada teknik untuk membaca, memahami, dan menganalisis dokumen bisnis secara otomatis. Ini adalah arah penelitian yang penting untuk pemrosesan bahasa alami dan visi komputer. Dalam beberapa tahun terakhir, popularitas teknologi pembelajaran mendalam telah sangat memajukan pengembangan AI dokumen, seperti analisis tata letak dokumen, ekstraksi informasi visual, penjawab pertanyaan visual dokumen, klasifikasi gambar dokumen, dll. Makalah ini secara singkat meninjau beberapa model, tugas, dan dataset tolok ukur yang representatif. Selain itu, kami juga memperkenalkan analisis dokumen berbasis aturan heuristik tahap awal, algoritma pembelajaran mesin statistik, dan pendekatan pembelajaran mendalam terutama metode pra-pelatihan. Akhirnya, kami melihat arah masa depan untuk penelitian AI.

• Pemrosesan otomatis yang efisien dari dokumen yang tidak terstruktur menggunakan kecerdasan buatan: tinjauan literatur sistematis dan arah masa depan

  Dipali Baviskar, Swati Ahirrao, Vidyasagar Potdar, Ketan Kotecha IEEE Access 2021

  Data yang tidak terstruktur berdampak 95% dari organisasi dan menghabiskan biaya jutaan dolar per tahun. Jika dikelola dengan baik, itu dapat secara signifikan meningkatkan produktivitas bisnis. Teknik ekstraksi informasi tradisional terbatas dalam fungsinya, tetapi teknik berbasis AI dapat memberikan solusi yang lebih baik. Investigasi menyeluruh terhadap teknik berbasis AI untuk ekstraksi informasi otomatis dari dokumen yang tidak terstruktur tidak ada dalam literatur. Tujuan dari Systematic Literature Review (SLR) ini adalah untuk mengenali, dan menganalisis penelitian tentang teknik yang digunakan untuk ekstraksi informasi otomatis dari dokumen yang tidak terstruktur dan untuk memberikan arahan untuk penelitian di masa depan. The SLR guidelines proposed by Kitchenham and Charters were adhered to conduct a literature search on various databases between 2010 and 2020. We found that: 1. The existing information extraction techniques are template-based or rule-based, 2. The existing methods lack the capability to tackle complex document layouts in real-time situations such as invoices and purchase orders, 3.The datasets available publicly are task-specific and of low quality. Oleh karena itu, ada kebutuhan untuk mengembangkan dataset baru yang mencerminkan masalah dunia nyata. SLR kami menemukan bahwa pendekatan berbasis AI memiliki potensi yang kuat untuk mengekstraksi informasi yang berguna dari dokumen yang tidak terstruktur secara otomatis. Namun, mereka menghadapi tantangan tertentu dalam memproses banyak tata letak dokumen yang tidak terstruktur. SLR kami memunculkan konseptualisasi kerangka kerja untuk pembangunan dataset dokumen tidak terstruktur berkualitas tinggi dengan teknik validasi data yang kuat untuk ekstraksi informasi otomatis. SLR kami juga mengungkapkan perlunya hubungan yang erat antara bisnis dan peneliti untuk menangani berbagai tantangan analisis data yang tidak terstruktur.

2020

• Survei pendekatan pembelajaran mendalam untuk OCR dan pemahaman dokumen

  Nishant Subramani, Alexandre Matton, Malcolm Greaves, Adrian Lam ML-RSA Workshop di Neurips 2020

  Dokumen adalah bagian inti dari banyak bisnis di banyak bidang seperti hukum, keuangan, dan teknologi. Pemahaman otomatis tentang dokumen -dokumen seperti faktur, kontrak, dan resume itu menguntungkan, membuka banyak jalan bisnis baru. Bidang pemrosesan bahasa alami dan visi komputer telah melihat kemajuan yang luar biasa melalui pengembangan pembelajaran yang mendalam sehingga metode ini telah mulai diresapi dalam sistem pemahaman dokumen kontemporer. Dalam makalah survei ini, kami meninjau berbagai teknik untuk pemahaman dokumen untuk dokumen yang ditulis dalam bahasa Inggris dan mengkonsolidasikan metodologi yang ada dalam literatur untuk bertindak sebagai titik awal bagi para peneliti yang menjelajahi bidang ini.

• Percakapan dengan dokumen. Eksplorasi bantuan yang berpusat pada dokumen

  Maartje ter Hoeve, Robert Sim, Elnaz Nouri, Adam Fourney, Maarten de Rijke, Ryen W. White Chiir 2020

  Peran asisten percakapan menjadi lebih umum dalam membantu orang meningkatkan produktivitas mereka. Bantuan yang berpusat pada dokumen, misalnya untuk membantu individu dengan cepat meninjau dokumen, telah melihat kemajuan yang kurang signifikan, meskipun memiliki potensi untuk sangat meningkatkan produktivitas pengguna. Jenis bantuan yang berpusat pada dokumen ini adalah fokus dari makalah ini. Kontribusi kami adalah tiga kali lipat: (1) Kami pertama kali menyajikan survei untuk memahami ruang bantuan yang berpusat pada dokumen dan kemampuan yang diharapkan orang dalam skenario ini. (2) Kami menyelidiki jenis-jenis pertanyaan yang akan diajukan pengguna saat mencari bantuan dengan dokumen, dan menunjukkan bahwa pertanyaan yang berpusat pada dokumen membentuk sebagian besar pertanyaan ini. (3) Kami menyajikan serangkaian model yang dipelajari mesin awal yang menunjukkan bahwa (a) kami dapat secara akurat mendeteksi pertanyaan yang berpusat pada dokumen, dan (b) kami dapat membangun model yang cukup akurat untuk menjawab pertanyaan tersebut. Hasil positif ini menggembirakan, dan menunjukkan bahwa hasil yang lebih besar dapat dicapai dengan studi lanjutan dari ruang masalah yang menarik dan baru ini. Temuan kami memiliki implikasi untuk desain sistem cerdas untuk mendukung penyelesaian tugas melalui interaksi alami dengan dokumen.

2018

• Paradigma Masa Depan Pemrosesan Otomatis Dokumen Bisnis
  Matteo Cristania, Andrea Bertolasob, Simone Scannapiecoc, Claudio Tomazzolia International Journal of Information Management 2018

  Dalam makalah ini kami merangkum hasil yang diperoleh sejauh ini di masyarakat yang tertarik dalam pengembangan teknik pemrosesan otomatis sebagaimana diterapkan pada dokumen bisnis, dan menyusun beberapa evolusi yang diminta oleh tahap saat ini dari teknik tersebut sendiri atau dengan kemajuan sektor jaminan. Ini muncul gambaran yang jelas tentang bidang yang telah berupaya keras dalam memecahkan masalah yang banyak berubah selama 30 tahun terakhir, dan sekarang dengan cepat berkembang untuk memasukkan pemrosesan dokumen ke dalam sistem manajemen alur kerja di satu sisi dan untuk memasukkan fitur yang diperoleh dengan pengenalan teknologi komputasi awan di sisi lain. Kami mengusulkan skema arsitektur untuk pemrosesan dokumen bisnis yang berasal dari dua lini evolusi di atas.

Lebih tua

• Pembelajaran Mesin untuk Pemrosesan Dokumen Cetak Cetak yang Cerdas

  F. Esposito, D. Malerba, F. Lisi - 2004

  Sistem pemrosesan dokumen kertas adalah komponen sistem informasi yang mengubah informasi tentang dokumen yang dicetak atau ditulis tangan menjadi bentuk komputer yang dapat dibalikkan. Dalam sistem cerdas untuk pemrosesan dokumen kertas proses pengambilan informasi ini didasarkan pada pengetahuan tentang tata letak spesifik dan struktur logis dari dokumen. Artikel ini mengusulkan penerapan teknik pembelajaran mesin untuk memperoleh pengetahuan spesifik yang diperlukan oleh sistem pemrosesan dokumen yang cerdas, bernama Wisdom ++, yang mengelola dokumen cetak, seperti surat dan jurnal. Pengetahuan diwakili melalui pohon keputusan dan aturan orde pertama secara otomatis dihasilkan dari serangkaian dokumen pelatihan. Secara khusus, sistem pembelajaran pohon keputusan tambahan diterapkan untuk perolehan pohon keputusan yang digunakan untuk klasifikasi blok tersegmentasi, sementara sistem pembelajaran orde pertama diterapkan untuk induksi aturan yang digunakan untuk klasifikasi berbasis tata letak dan pemahaman dokumen. Masalah tentang induksi tambahan pohon keputusan dan penanganan data numerik dan simbolis dalam pembelajaran aturan orde pertama dibahas, dan validitas solusi yang diusulkan dievaluasi secara empiris dengan memproses serangkaian dokumen cetak nyata.

• Pemahaman Dokumen: Arah Penelitian

  S. Srihari, S. Lam, V. Govindaraju, R. Srihari, J. Hull - 1994

  Gambar dokumen adalah representasi visual dari halaman cetak seperti halaman artikel jurnal, halaman sampul faksimili, dokumen teknis, surat kantor, dll. Pemahaman dokumen sebagai upaya penelitian terdiri dari mempelajari semua proses yang terlibat dalam mengambil dokumen melalui berbagai representasi: dari dokumen fisik yang dipamerkan hingga deskripsi semantik tingkat tinggi dari dokumen tersebut. Beberapa jenis representasi yang berguna adalah: deskripsi yang dapat diedit, deskripsi yang memungkinkan reproduksi yang tepat dan deskripsi semantik tingkat tinggi tentang konten dokumen. Laporan ini adalah definisi dari lima subdomain penelitian dalam pemahaman dokumen yang berkaitan dengan dokumen yang dominan. Topik yang dijelaskan adalah: Arsitektur modular untuk pemahaman dokumen; dekomposisi dan analisis struktural dokumen; OCR berbasis model; tabel, diagram, dan pemahaman gambar; dan evaluasi kinerja di bawah distorsi dan kebisingan.

Topik Penelitian

• Ekstraksi Informasi Utama (KIE)
• Analisis Tata Letak Dokumen (DLA)
• Penjawab pertanyaan dokumen (DQA)
• Pemahaman Dokumen Ilmiah (SDU)
• Recogtion Karakter Optik (OCR)
• Terkait
  • Umum
  • Pemahaman Data Tabular (TDC)
  • Otomasi Proses Robot (RPA)

Yang lain

Sumber daya

Kembali ke atas

Dataset untuk model bahasa pra-pelatihan

1. Dataset RVL -CDIP - Dataset terdiri dari 400.000 gambar grayscale di 16 kelas, dengan 25.000 gambar per kelas
2. Perpustakaan Dokumen Industri - Portal ke jutaan dokumen yang dibuat oleh industri yang mempengaruhi kesehatan masyarakat, yang diselenggarakan oleh Perpustakaan UCSF
3. Dataset Dokumen Warna - Dari Sistem Informasi Sensor Cerdas, Universitas Amsterdam
4. Koleksi CDIP IIT - Dataset terdiri dari dokumen dari gugatan negara bagian terhadap industri tembakau pada 1990 -an, terdiri dari sekitar 7 juta dokumen

Alat pemrosesan PDF

1. Borb - adalah perpustakaan Python murni untuk dibaca, menulis, dan memanipulasi dokumen PDF. Ini mewakili dokumen PDF sebagai struktur data seperti JSON dari daftar bersarang, kamus dan primitif (angka, string, booleans, dll).
2. Pawls - Anotasi PDF dengan label dan struktur adalah perangkat lunak yang memudahkan untuk mengumpulkan serangkaian anotasi yang terkait dengan dokumen PDF
3. PDFPLOBER - Plumb a PDF untuk informasi terperinci tentang setiap karakter teks, persegi panjang, dan baris. Plus: Ekstraksi tabel dan debugging visual
4. Pdfminer.six - pdfminer.six adalah garpu yang dikelola komunitas dari PDFMiner asli. Ini adalah alat untuk mengekstraksi informasi dari dokumen PDF. Ini berfokus pada mendapatkan dan menganalisis data teks
5. Tata Letak Parser - Tata Letak Parser adalah alat berbasis pembelajaran yang mendalam untuk tugas analisis tata letak gambar dokumen
6. Tabulo - Ekstraksi tabel dari gambar
7. OCRMYPDF - OCRMYPDF menambahkan lapisan teks OCR ke file PDF yang dipindai, memungkinkan mereka dicari atau disalin
8. PDFBox - Perpustakaan Apache PDFBox adalah alat Java open source untuk bekerja dengan dokumen PDF. Proyek ini memungkinkan pembuatan dokumen PDF baru, manipulasi dokumen yang ada dan kemampuan untuk mengekstrak konten dari dokumen
9. PDFPIG - Proyek ini memungkinkan pengguna untuk membaca dan mengekstrak teks dan konten lainnya dari file PDF. Selain itu perpustakaan dapat digunakan untuk membuat dokumen PDF sederhana yang berisi teks dan bentuk geometris. Proyek ini bertujuan untuk port pdfbox ke c#
10. Parsing-Prickly-PDFS-Sumber Daya dan Lembar Kerja untuk Lokakarya Nikar 2016 dengan nama yang sama
11. PDF-text-Extraction-Benchmark-PDF Tools Benchmark
12. Lahir Pemindai PDF Digital - Memeriksa apakah PDF dilahirkan digital
13. OpenContracts Apache2-Licensed, PDF Anotasi platform untuk dokumen kaya visual yang mempertahankan tata letak asli dan ekspor X, Y data posisi untuk token serta rentang dimulai dan berhenti. Berdasarkan Pawls, tetapi dengan backend berbasis Python dan mudah digunakan pada mesin lokal Anda, Intranet Perusahaan atau Web melalui Docker Compose.
14. DeepDoctection Deep Doctection adalah perpustakaan Python yang mengatur ekstraksi dokumen dan tugas analisis tata letak dokumen untuk gambar dan dokumen PDF menggunakan model pembelajaran mendalam. Itu tidak mengimplementasikan model tetapi memungkinkan Anda untuk membangun jaringan pipa menggunakan perpustakaan yang sangat diakui untuk deteksi objek, OCR dan tugas NLP yang dipilih dan menyediakan kerangka kerja terintegrasi untuk menyempurnakan, mengevaluasi, dan menjalankan model.
15. Pydoxtools Pydoxtools adalah perpustakaan komposisi AI untuk analisis dpocument. Ini fitur perangkat yang luas untuk membangun pipa analisis dokumen yang kompleks dan mengenali sebagian besar format dokumen di luar kotak. Ini mendukung tugas -tugas NLP yang khas seperti kata kunci, peringkasan, question_answering di luar kotak. dan fitur algoritma ekstraksi tabel rendah-CPU/memori berkualitas tinggi dan membuat operasi batch NLP mudah pada cluster.

Konferensi, lokakarya

Kembali ke atas

Umum / Bisnis / Keuangan

1. Konferensi Internasional tentang Analisis Dokumen dan Pengakuan (ICDAR) [2021, 2019, 2017]
2. Lokakarya tentang Intelijen Dokumen (DI) [2021, 2019]
3. Lokakarya Pemrosesan Narasi Keuangan (FNP) [2021, 2020, 2019]
4. Lokakarya tentang Ekonomi dan Pemrosesan Bahasa Alami (ECONLP) [2021, 2019, 2018]
5. Lokakarya Internasional tentang Sistem Analisis Dokumen (DAS) [2020, 2018, 2016]
6. Konferensi Internasional ACM tentang AI di bidang Keuangan (ICAIF)
7. Lokakarya AAAI-21 tentang Penemuan Pengetahuan dari Data Tidak Terstruktur dalam Jasa Keuangan
8. Lokakarya CVPR 2020 tentang Teks dan Dokumen di Era Pembelajaran yang mendalam
9. Lokakarya KDD tentang Pembelajaran Mesin di bidang Keuangan (KDD MLF 2020)
10. Finir 2020: Lokakarya pertama tentang pengambilan informasi di bidang keuangan
11. Lokakarya KDD ke -2 tentang Deteksi Anomali di bidang Keuangan (KDD 2019)
12. Konferensi Pemahaman Dokumen (DUC 2007)

Pemahaman Dokumen Ilmiah

1. Lokakarya AAAI-21 tentang Pemahaman Dokumen Ilmiah (SDU 2021)
2. Lokakarya pertama tentang pemrosesan dokumen ilmiah (SDPROC 2020)
3. Lokakarya Internasional tentang Analisis Dokumen Ilmiah (SCIDOCA) [2020, 2018, 2017]

Blog

Kembali ke atas

1. Survei Model Pemahaman Dokumen, 2021
2. Ekstraksi Formulir Dokumen, 2021
3. Cara mengotomatisasi proses dengan data yang tidak terstruktur, 2021
4. Panduan Komprehensif untuk OCR dengan RPA dan Pemahaman Dokumen, 2021
5. Ekstraksi informasi dari tanda terima dengan Grafik Convolutional Networks, 2021
6. Cara mengekstrak data terstruktur dari faktur, 2021
7. Mengekstraksi data terstruktur dari Dokumen Templatik, 2020
8. Untuk menerapkan AI untuk kebaikan, pikirkan ekstraksi bentuk, 2020
9. Dokumen UIPath Memahami Arsitektur dan Pendekatan Solusi, 2020
10. Bagaimana cara mengotomatisasi ekstraksi data dari dokumen kompleks?, 2020
11. LegalTech: Ekstraksi Informasi dalam Dokumen Hukum, 2020

Solusi

Kembali ke atas

Perusahaan Besar:

1. Abby
2. Accenture
3. Amazon
4. Google
5. Microsoft
6. Uipath

Lebih kecil:

1. Applica.ai
2. Base64.ai
3. DocStack
4. Elemen ai
5. Indico
6. Instabase
7. Konfuzio
8. Metamaze
9. Nanonet
10. Rossum
11. Silo

Contoh

Dokumen yang kaya secara visual

Kembali ke atas

Dalam VRD pentingnya informasi tata letak sangat penting untuk memahami seluruh dokumen dengan benar (ini adalah kasus dengan hampir semua dokumen bisnis). Untuk informasi spasial manusia meningkatkan keterbacaan dan kecepatan pemahaman dokumen.

Faktur / Resume / Iklan Pekerjaan

Laporan NDA / Tahunan

Ekstraksi Informasi Utama

Kembali ke atas

Tujuan dari tugas ini adalah untuk mengekstrak teks dari sejumlah bidang utama dari kumpulan dokumen yang berisi entitas kunci yang serupa.

Tanda terima yang dipindai

Laporan NDA / Tahunan

Contoh aplikasi bisnis nyata dan data untuk kumpulan data Kleister (entitas utama berwarna biru)

Selebaran online multimedia

Contoh dari selebaran real estat komersial dan informasi daftar yang dimasukkan secara manual © Promaker Komersial Real Estat LLC, © Brokersavant Inc.

Faktur Pajak Tambahan Nilai

Halaman web

Analisis tata letak dokumen

Kembali ke atas

Dalam visi komputer atau pemrosesan bahasa alami, analisis tata letak dokumen adalah proses mengidentifikasi dan mengkategorikan wilayah yang menarik dalam gambar yang dipindai dari dokumen teks. Sistem membaca membutuhkan segmentasi zona teks dari yang non-tekstual dan pengaturan dalam urutan bacaan yang benar. Deteksi dan pelabelan zona yang berbeda (atau blok) sebagai badan teks, ilustrasi, simbol matematika, dan tabel yang tertanam dalam dokumen disebut analisis tata letak geometris. Tetapi zona teks memainkan peran logis yang berbeda di dalam dokumen (judul, keterangan, catatan kaki, dll.) Dan pelabelan semantik semacam ini adalah ruang lingkup dari analisis tata letak logis. (https://en.wikipedia.org/wiki/document_layout_analysis)

Publikasi ilmiah

Surat Kabar Sejarah

Dokumen Bisnis

Merah: Blok Teks, Biru: Gambar.

Jawaban Pertanyaan Dokumen

Kembali ke atas

Contoh DOCVQA

Demo model miring

Inspirasi

Kembali ke atas

Domain

1. https://github.com/kba/awesome-ocr
2. https://github.com/liquid-legal-institute/legal-text-analytics
3. https://github.com/icoxfog417/awese-financial-nlp
4. https://github.com/bobld/documentlayoutanalysis
5. https://github.com/bikash/documumunderstanding
6. https://github.com/harpribot/awesome-information-retrieval
7. https://github.com/roomylee/awesome-relation-extraction
8. https://github.com/caufieldjh/awesome-lioie
9. https://github.com/hellorusk/entity-related-papers
10. https://github.com/pliang279/awesome-multimodal-ml
11. https://github.com/thunlp/legalpapers
12. https://github.com/heartexlabs/awesome-data-labeling

Umum AI/DL/ML

1. https://github.com/jsbroks/awesome-dataset-tools
2. https://github.com/ethicalml/awesome-production-machine-learning
3. https://github.com/eugeneyan/applied-ml
4. https://github.com/awesomedata/awesome-public-datasets
5. https://github.com/keon/awesome-nlp
6. https://github.com/thunlp/plmpapers
7. https://github.com/jbhuang0604/aweome-computer-vision#awesome-lists
8. https://github.com/papers-we-love/papers-we-love
9. https://github.com/bailool/doyouevenlearn
10. https://github.com/hibayesian/awesome-tapers-papers