awesome document understanding

ความเข้าใจเอกสารที่ยอดเยี่ยม

รายการทรัพยากรที่ได้รับการดูแลเพื่อการทำความเข้าใจเอกสาร (DU) ที่เกี่ยวข้องกับการประมวลผลเอกสารอัจฉริยะ (IDP) ซึ่งสัมพันธ์กับกระบวนการอัตโนมัติของกระบวนการหุ่นยนต์ (RPA) จากข้อมูลที่ไม่มีโครงสร้างโดยเฉพาะอย่างยิ่งรูปแบบเอกสารที่หลากหลาย (VRDs)

หมายเหตุ 1: ตำแหน่งที่เป็นตัวหนามีความสำคัญมากกว่าคนอื่น ๆ

หมายเหตุ 2: เนื่องจากความแปลกใหม่ของสนามรายการนี้อยู่ระหว่างการก่อสร้าง - ยินดีต้อนรับการมีส่วนร่วม (ขอบคุณล่วงหน้า!) โปรดอย่าลืมใช้การประชุมต่อไปนี้:

• ชื่อเรื่องของสิ่งพิมพ์ / ชุดข้อมูล / ทรัพยากรชื่อ [รหัส / ข้อมูล / เว็บไซต์]
  รายชื่อผู้เขียน การประชุม/ชื่อวารสาร ปี

  ชุดข้อมูลขนาด: รถไฟ (ไม่มีตัวอย่าง), dev (ไม่มีตัวอย่าง), การทดสอบ (ไม่มีตัวอย่าง) [ไม่บังคับสำหรับเอกสาร/ทรัพยากรชุดข้อมูล]; บทคัดย่อ/คำอธิบายสั้น ๆ ...

สารบัญ

1. การแนะนำ
2. หัวข้อการวิจัย
   1. การสกัดข้อมูลสำคัญ (KIE)
   2. การวิเคราะห์เค้าโครงเอกสาร (DLA)
   3. การตอบคำถามเอกสาร (DQA)
   4. ความเข้าใจในเอกสารทางวิทยาศาสตร์ (SDU)
   5. การจดจำอักขระออพติคอล (OCR)
   6. ที่เกี่ยวข้อง
      1. ทั่วไป
      2. ความเข้าใจข้อมูลแบบตาราง (TDC)
      3. กระบวนการอัตโนมัติของหุ่นยนต์ (RPA)
3. คนอื่น
   1. ทรัพยากร
      1. ชุดข้อมูลสำหรับแบบจำลองภาษาก่อนการฝึกอบรม
      2. เครื่องมือประมวลผล PDF
   2. การประชุม / การประชุมเชิงปฏิบัติการ
   3. บล็อก
   4. การแก้ปัญหา
4. ตัวอย่าง
   1. เอกสารที่หลากหลายทางสายตา (VRDs)
   2. การสกัดข้อมูลสำคัญ (KIE)
   3. การวิเคราะห์เค้าโครงเอกสาร (DLA)
   4. การตอบคำถามเอกสาร (DQA)
5. แรงบันดาลใจ

การแนะนำ

เอกสารเป็นส่วนสำคัญของธุรกิจจำนวนมากในหลายสาขาเช่นกฎหมายการเงินและเทคโนโลยีอื่น ๆ ความเข้าใจอัตโนมัติของเอกสารเช่นใบแจ้งหนี้สัญญาและการดำเนินการต่อเป็นสิ่งที่มีกำไรเปิดช่องทางธุรกิจใหม่ ๆ มากมาย สาขาการประมวลผลภาษาธรรมชาติและการมองเห็นคอมพิวเตอร์ได้เห็นความก้าวหน้าอย่างมากผ่านการพัฒนาของการเรียนรู้อย่างลึกซึ้งเช่นวิธีการเหล่านี้เริ่มกลายเป็น infused ในระบบทำความเข้าใจเอกสารร่วมสมัย แหล่งที่มา

เอกสาร

2023

• มาตรฐานที่น่าเชื่อถือสำหรับการแปลข้อมูลและการแยกข้อมูลเอกสาร [เว็บไซต์] [มาตรฐาน] [รหัส]
  Štěpánšimsa, Milan Šulc, Michal Uřičář, Yash Patel, Ahmed Hamdi, MatějKocián, MatyášSkalický, Jiří Matas, Antoine Doucet, Mickaël Coustaty, DiMosthenis karatzas

  บทความนี้แนะนำเกณฑ์มาตรฐานที่เชื่องด้วยชุดข้อมูลที่ใหญ่ที่สุดของเอกสารทางธุรกิจสำหรับงานของการแปลข้อมูลที่สำคัญและการสกัดและการจดจำรายการโฆษณา มันมีเอกสารทางธุรกิจที่มีคำอธิบายประกอบ 6.7k, เอกสารที่สร้างขึ้น 100k ซึ่งเป็นเอกสารที่ถูกสังเคราะห์ 100k และเอกสารที่ไม่มีป้ายกำกับเกือบ 1m สำหรับการฝึกอบรมล่วงหน้าที่ไม่ได้รับการดูแล ชุดข้อมูลถูกสร้างขึ้นด้วยความรู้เกี่ยวกับแง่มุมของโดเมนและงานเฉพาะส่งผลให้คุณลักษณะสำคัญดังต่อไปนี้: (i) คำอธิบายประกอบใน 55 คลาสซึ่งเกินความละเอียดของชุดข้อมูลการดึงข้อมูลสำคัญที่เผยแพร่ก่อนหน้านี้ (ii) การจดจำรายการโฆษณาแสดงถึงงานการสกัดข้อมูลที่มีประโยชน์สูงซึ่งจะต้องกำหนดข้อมูลสำคัญให้กับรายการในตาราง (iii) เอกสารมาจากเลย์เอาต์จำนวนมากและชุดทดสอบรวมถึงกรณีศูนย์และไม่กี่กรณีรวมถึงเลย์เอาต์ที่เห็นได้ทั่วไปในชุดการฝึกอบรม เกณฑ์มาตรฐานมาพร้อมกับเส้นเขตแดนหลายแห่งรวมถึง Roberta, Layoutlmv3 และ Twall Table Table Table ที่ใช้ DETR โมเดลพื้นฐานเหล่านี้ถูกนำไปใช้กับงานทั้งสองของเกณฑ์มาตรฐานที่เชื่องโดยมีผลลัพธ์ที่ใช้ร่วมกันในบทความนี้ซึ่งเป็นจุดเริ่มต้นที่รวดเร็วสำหรับการทำงานในอนาคต ชุดข้อมูลและ baselines มีอยู่ที่ URL HTTPS นี้

2022

• การสกัดข้อมูลเอกสารทางธุรกิจ: ไปสู่การวัดประสิทธิภาพในทางปฏิบัติ

  MatyášSkalický, Štěpánšimsa, Michal Uřičář, Milan Šulc Clef 2022

  การสกัดข้อมูลจากเอกสารกึ่งโครงสร้างเป็นสิ่งสำคัญสำหรับการสื่อสารทางธุรกิจกับธุรกิจที่ไม่มีแรงเสียดทาน (B2B) ในขณะที่ปัญหาการเรียนรู้ของเครื่องที่เกี่ยวข้องกับการสกัดข้อมูลเอกสาร (เช่น) ได้รับการศึกษามานานหลายทศวรรษคำจำกัดความของปัญหาทั่วไปและการวัดประสิทธิภาพไม่ได้สะท้อนถึงแง่มุมเฉพาะของโดเมนและความต้องการในทางปฏิบัติสำหรับการสื่อสารเอกสาร B2B อัตโนมัติ เราตรวจสอบภูมิทัศน์ของเอกสารเช่นปัญหาชุดข้อมูลและมาตรฐาน เราเน้นด้านการปฏิบัติที่ขาดหายไปในคำจำกัดความทั่วไปและกำหนดข้อมูลที่สำคัญและการสกัด (Kile) และปัญหาการจดจำรายการโฆษณา (LIR) มีการขาดชุดข้อมูลและมาตรฐานที่เกี่ยวข้องสำหรับเอกสาร IE ในเอกสารธุรกิจกึ่งโครงสร้างเนื่องจากเนื้อหาของพวกเขาได้รับการคุ้มครองหรือละเอียดอ่อนตามกฎหมาย เราหารือเกี่ยวกับแหล่งข้อมูลที่เป็นไปได้ของเอกสารที่มีอยู่รวมถึงข้อมูลสังเคราะห์

• doc2graph: กรอบการทำความเข้าใจเอกสารที่ไม่เชื่อเรื่องพระเจ้างานตามเครือข่ายประสาทของกราฟ [รหัส]

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

  การเรียนรู้เชิงลึกทางเรขาคณิตได้ดึงดูดความสนใจอย่างมากในสาขาการเรียนรู้ของเครื่องจักรที่หลากหลายรวมถึงการวิเคราะห์เอกสาร การประยุกต์ใช้เครือข่ายประสาทกราฟ (GNNS) ได้กลายเป็นสิ่งสำคัญในงานที่เกี่ยวข้องกับเอกสารต่าง ๆ เนื่องจากสามารถคลี่คลายรูปแบบโครงสร้างที่สำคัญซึ่งเป็นพื้นฐานในกระบวนการสกัดข้อมูลที่สำคัญ งานก่อนหน้านี้ในวรรณคดีเสนอแบบจำลองที่ขับเคลื่อนด้วยงานและไม่คำนึงถึงพลังทั้งหมดของกราฟ เราเสนอ Doc2graph ซึ่งเป็นกรอบการทำความเข้าใจเอกสารที่ไม่เชื่อเรื่องพระเจ้าตามแบบจำลอง GNN เพื่อแก้ปัญหางานที่แตกต่างกันตามเอกสารประเภทต่างๆ เราประเมินวิธีการของเราในชุดข้อมูลที่ท้าทายสองชุดสำหรับการแยกข้อมูลที่สำคัญในการทำความเข้าใจรูปแบบการวิเคราะห์เค้าโครงใบแจ้งหนี้และการตรวจจับตาราง

2021

• เอกสาร AI: เกณฑ์มาตรฐานรุ่นและแอปพลิเคชัน

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

  เอกสาร AI หรือ Document Intelligence เป็นหัวข้อการวิจัยที่ค่อนข้างใหม่ที่อ้างถึงเทคนิคการอ่านความเข้าใจและการวิเคราะห์เอกสารทางธุรกิจโดยอัตโนมัติ มันเป็นทิศทางการวิจัยที่สำคัญสำหรับการประมวลผลภาษาธรรมชาติและการมองเห็นคอมพิวเตอร์ ในช่วงไม่กี่ปีที่ผ่านมาความนิยมของเทคโนโลยีการเรียนรู้ลึกมีความก้าวหน้าอย่างมากในการพัฒนาเอกสาร AI เช่นการวิเคราะห์เค้าโครงเอกสารการสกัดข้อมูลภาพการตอบคำถามภาพเอกสารการจำแนกภาพเอกสาร ฯลฯ บทความนี้จะทบทวนโมเดลตัวแทนงานและชุดข้อมูลมาตรฐาน นอกจากนี้เรายังแนะนำการวิเคราะห์เอกสารตามกฎการแก้ปัญหาในระยะเริ่มต้นอัลกอริทึมการเรียนรู้ของเครื่องทางสถิติและวิธีการเรียนรู้เชิงลึกโดยเฉพาะอย่างยิ่งวิธีการฝึกอบรมก่อน ในที่สุดเรามองไปที่ทิศทางในอนาคตสำหรับการวิจัยเอกสาร AI

• การประมวลผลอัตโนมัติที่มีประสิทธิภาพของเอกสารที่ไม่มีโครงสร้างโดยใช้ปัญญาประดิษฐ์: การทบทวนวรรณกรรมอย่างเป็นระบบและทิศทางในอนาคต

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

  ข้อมูลที่ไม่มีโครงสร้างส่งผลกระทบต่อ 95% ขององค์กรและมีค่าใช้จ่ายหลายล้านดอลลาร์ต่อปี หากจัดการได้ดีสามารถปรับปรุงประสิทธิภาพการทำงานทางธุรกิจได้อย่างมีนัยสำคัญ เทคนิคการสกัดข้อมูลแบบดั้งเดิมนั้นมีข้อ จำกัด ในการทำงานของพวกเขา แต่เทคนิคที่ใช้ AI สามารถให้ทางออกที่ดีกว่า การตรวจสอบอย่างละเอียดเกี่ยวกับเทคนิคที่ใช้ AI สำหรับการสกัดข้อมูลอัตโนมัติจากเอกสารที่ไม่มีโครงสร้างหายไปในวรรณคดี วัตถุประสงค์ของการทบทวนวรรณกรรมอย่างเป็นระบบ (SLR) นี้คือการรับรู้และวิเคราะห์การวิจัยเกี่ยวกับเทคนิคที่ใช้สำหรับการสกัดข้อมูลอัตโนมัติจากเอกสารที่ไม่มีโครงสร้างและเพื่อให้คำแนะนำสำหรับการวิจัยในอนาคต แนวทางของ SLR ที่เสนอโดย Kitchenham และ Charters ได้รับการปฏิบัติตามเพื่อทำการค้นหาวรรณกรรมในฐานข้อมูลต่าง ๆ ระหว่างปี 2010 ถึงปี 2020 เราพบว่า: 1. เทคนิคการสกัดข้อมูลที่มีอยู่นั้นเป็นแบบอิงเทมเพลตหรือตามกฎ 2. วิธีการที่มีอยู่ ดังนั้นจึงมีความจำเป็นที่จะต้องพัฒนาชุดข้อมูลใหม่ที่สะท้อนถึงปัญหาในโลกแห่งความจริง SLR ของเราค้นพบว่าวิธีการที่ใช้ AI มีศักยภาพที่แข็งแกร่งในการดึงข้อมูลที่เป็นประโยชน์จากเอกสารที่ไม่มีโครงสร้างโดยอัตโนมัติ อย่างไรก็ตามพวกเขาเผชิญกับความท้าทายบางอย่างในการประมวลผลหลายรูปแบบของเอกสารที่ไม่มีโครงสร้าง SLR ของเรานำเสนอแนวคิดเกี่ยวกับกรอบการทำงานสำหรับการสร้างชุดข้อมูลเอกสารที่ไม่มีโครงสร้างคุณภาพสูงพร้อมเทคนิคการตรวจสอบข้อมูลที่แข็งแกร่งสำหรับการดึงข้อมูลอัตโนมัติ SLR ของเรายังเปิดเผยถึงความจำเป็นในการเชื่อมโยงอย่างใกล้ชิดระหว่างธุรกิจและนักวิจัยเพื่อจัดการกับความท้าทายต่าง ๆ ของการวิเคราะห์ข้อมูลที่ไม่มีโครงสร้าง

2020

• การสำรวจวิธีการเรียนรู้อย่างลึกซึ้งสำหรับ OCR และความเข้าใจในเอกสาร

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

  เอกสารเป็นส่วนสำคัญของธุรกิจจำนวนมากในหลายสาขาเช่นกฎหมายการเงินและเทคโนโลยีอื่น ๆ ความเข้าใจอัตโนมัติของเอกสารเช่นใบแจ้งหนี้สัญญาและการดำเนินการต่อเป็นสิ่งที่มีกำไรเปิดช่องทางธุรกิจใหม่ ๆ มากมาย สาขาการประมวลผลภาษาธรรมชาติและการมองเห็นคอมพิวเตอร์ได้เห็นความก้าวหน้าอย่างมากผ่านการพัฒนาของการเรียนรู้อย่างลึกซึ้งเช่นวิธีการเหล่านี้เริ่มกลายเป็น infused ในระบบทำความเข้าใจเอกสารร่วมสมัย ในรายงานการสำรวจนี้เราตรวจสอบเทคนิคต่าง ๆ สำหรับการทำความเข้าใจเอกสารสำหรับเอกสารที่เขียนเป็นภาษาอังกฤษและรวมวิธีการที่มีอยู่ในวรรณคดีเพื่อทำหน้าที่เป็นจุดกระโดดสำหรับนักวิจัยที่สำรวจพื้นที่นี้

• การสนทนากับเอกสาร การสำรวจความช่วยเหลือที่เน้นเอกสารเป็นศูนย์กลาง

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

  บทบาทของผู้ช่วยสนทนาได้กลายเป็นที่แพร่หลายมากขึ้นในการช่วยให้ผู้คนเพิ่มประสิทธิภาพการผลิต ความช่วยเหลือที่เน้นเอกสารเป็นศูนย์กลางเช่นเพื่อช่วยให้บุคคลตรวจสอบเอกสารได้อย่างรวดเร็วมีความคืบหน้าน้อยกว่าแม้ว่าจะมีศักยภาพที่จะเพิ่มประสิทธิภาพการทำงานของผู้ใช้อย่างมาก ความช่วยเหลือที่เน้นเอกสารประเภทนี้เป็นจุดสนใจของบทความนี้ การมีส่วนร่วมของเราคือสามเท่า: (1) ก่อนอื่นเรานำเสนอการสำรวจเพื่อทำความเข้าใจพื้นที่ของความช่วยเหลือที่เน้นเอกสารเป็นศูนย์กลางและความสามารถที่ผู้คนคาดหวังในสถานการณ์นี้ (2) เราตรวจสอบประเภทของการสืบค้นที่ผู้ใช้จะโพสต์ในขณะที่ขอความช่วยเหลือเกี่ยวกับเอกสารและแสดงให้เห็นว่าคำถามที่เน้นเอกสารเป็นศูนย์กลางของการสืบค้นเหล่านี้ส่วนใหญ่ (3) เรานำเสนอชุดของเครื่องเริ่มต้นที่เรียนรู้แบบจำลองที่แสดงว่า (a) เราสามารถตรวจจับคำถามที่เน้นเอกสารเป็นศูนย์กลางได้อย่างถูกต้องและ (b) เราสามารถสร้างแบบจำลองที่แม่นยำพอสมควรสำหรับการตอบคำถามดังกล่าว ผลลัพธ์เชิงบวกเหล่านี้ให้กำลังใจและแนะนำว่าผลลัพธ์ที่มากขึ้นอาจได้รับการศึกษาอย่างต่อเนื่องเกี่ยวกับพื้นที่ปัญหาที่น่าสนใจและแปลกใหม่นี้ การค้นพบของเรามีความหมายสำหรับการออกแบบระบบอัจฉริยะเพื่อสนับสนุนการทำงานให้เสร็จสมบูรณ์ผ่านการโต้ตอบตามธรรมชาติกับเอกสาร

2018

• กระบวนทัศน์ในอนาคตของการประมวลผลเอกสารทางธุรกิจอัตโนมัติ
  Matteo Cristania, Andrea Bertolasob, Simone Scannapiecoc, Claudio Tomazzolia International Journal of Information Management 2018

  ในบทความนี้เราสรุปผลลัพธ์ที่ได้รับในชุมชนที่สนใจในการพัฒนาเทคนิคการประมวลผลอัตโนมัติที่ใช้กับเอกสารทางธุรกิจและกำหนดการวิวัฒนาการบางอย่างที่เรียกร้องโดยขั้นตอนปัจจุบันของเทคนิคเหล่านั้นด้วยตนเองหรือโดยภาคความก้าวหน้าของหลักประกัน มันปรากฏภาพที่ชัดเจนของสนามที่ใช้ความพยายามอย่างมากในการแก้ปัญหาที่เปลี่ยนแปลงไปมากในช่วง 30 ปีที่ผ่านมาและตอนนี้มีการพัฒนาอย่างรวดเร็วเพื่อรวมการประมวลผลเอกสารเข้ากับระบบการจัดการเวิร์กโฟลว์ในด้านหนึ่งและรวมถึงคุณสมบัติที่ได้จากการแนะนำเทคโนโลยีคลาวด์คอมพิว เราเสนอสคีมาสถาปัตยกรรมสำหรับการประมวลผลเอกสารทางธุรกิจที่มาจากสองสายวิวัฒนาการข้างต้น

เก่าแก่กว่า

• การเรียนรู้ของเครื่องจักรสำหรับการประมวลผลที่ชาญฉลาดของเอกสารที่พิมพ์ออกมา

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

  ระบบการประมวลผลเอกสารกระดาษเป็นส่วนประกอบของระบบข้อมูลที่แปลงข้อมูลในเอกสารที่พิมพ์หรือเขียนด้วยลายมือในรูปแบบที่ยากลำบากคอมพิวเตอร์ ในระบบอัจฉริยะสำหรับการประมวลผลเอกสารกระดาษกระบวนการรวบรวมข้อมูลนี้ขึ้นอยู่กับความรู้เกี่ยวกับเค้าโครงเฉพาะและโครงสร้างเชิงตรรกะของเอกสาร บทความนี้เสนอการประยุกต์ใช้เทคนิคการเรียนรู้ของเครื่องเพื่อรับความรู้เฉพาะที่จำเป็นโดยระบบประมวลผลเอกสารอัจฉริยะชื่อ Wisdom ++ ซึ่งจัดการเอกสารที่พิมพ์ออกมาเช่นตัวอักษรและวารสาร ความรู้ถูกแสดงด้วยต้นไม้ตัดสินใจและกฎการสั่งซื้อครั้งแรกที่สร้างขึ้นโดยอัตโนมัติจากชุดของเอกสารการฝึกอบรม โดยเฉพาะอย่างยิ่งระบบการเรียนรู้ต้นไม้การตัดสินใจที่เพิ่มขึ้นจะถูกนำไปใช้สำหรับการได้มาของต้นไม้ตัดสินใจที่ใช้สำหรับการจำแนกประเภทของบล็อกที่แบ่งเป็นส่วนในขณะที่ระบบการเรียนรู้ลำดับแรกจะถูกนำไปใช้สำหรับการเหนี่ยวนำกฎที่ใช้สำหรับการจำแนกตามเลย์เอาต์และความเข้าใจของเอกสาร ปัญหาที่เกี่ยวข้องกับการเหนี่ยวนำที่เพิ่มขึ้นของต้นไม้ตัดสินใจและการจัดการของข้อมูลตัวเลขและสัญลักษณ์ในการเรียนรู้กฎลำดับแรกถูกกล่าวถึงและความถูกต้องของโซลูชันที่เสนอนั้นได้รับการประเมินเชิงประจักษ์โดยการประมวลผลชุดเอกสารที่พิมพ์จริง

• ความเข้าใจในเอกสาร: ทิศทางการวิจัย

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

  ภาพเอกสารคือการแสดงภาพของหน้าพิมพ์เช่นหน้าบทความวารสารหน้าปกทางโทรสารเอกสารทางเทคนิคจดหมายสำนักงาน ฯลฯ การทำความเข้าใจเอกสารเป็นความพยายามด้านการวิจัยประกอบด้วยการศึกษากระบวนการทั้งหมดที่เกี่ยวข้องในการใช้เอกสารผ่านการเป็นตัวแทนต่างๆ: จากเอกสารทางกายภาพที่สแกนไปจนถึงคำอธิบายความหมายระดับสูง บางประเภทของการเป็นตัวแทนที่มีประโยชน์คือ: คำอธิบายที่แก้ไขได้คำอธิบายที่เปิดใช้งานการทำซ้ำที่แน่นอนและคำอธิบายความหมายระดับสูงเกี่ยวกับเนื้อหาเอกสาร รายงานนี้เป็นคำจำกัดความของโดเมนย่อยการวิจัยห้ารายการภายในความเข้าใจเอกสารว่าเกี่ยวข้องกับเอกสารที่พิมพ์ออกมาส่วนใหญ่ หัวข้อที่อธิบายไว้คือ: สถาปัตยกรรมแบบแยกส่วนสำหรับการทำความเข้าใจเอกสาร; การสลายตัวและการวิเคราะห์โครงสร้างของเอกสาร; OCR ที่ใช้โมเดล ตารางแผนภาพและความเข้าใจภาพ และการประเมินประสิทธิภาพภายใต้การบิดเบือนและเสียงรบกวน

หัวข้อการวิจัย

• การสกัดข้อมูลสำคัญ (KIE)
• การวิเคราะห์เค้าโครงเอกสาร (DLA)
• การตอบคำถามเอกสาร (DQA)
• ความเข้าใจในเอกสารทางวิทยาศาสตร์ (SDU)
• การ recogtion อักขระออพติคอล (OCR)
• ที่เกี่ยวข้อง
  • ทั่วไป
  • ความเข้าใจข้อมูลแบบตาราง (TDC)
  • กระบวนการอัตโนมัติของหุ่นยนต์ (RPA)

คนอื่น

ทรัพยากร

กลับไปด้านบน

ชุดข้อมูลสำหรับแบบจำลองภาษาก่อนการฝึกอบรม

1. ชุดข้อมูล RVL -CDIP - ชุดข้อมูลประกอบด้วยภาพสีเทา 400,000 ภาพใน 16 คลาสโดยมี 25,000 ภาพต่อชั้นเรียน
2. ห้องสมุดเอกสารอุตสาหกรรม - พอร์ทัลไปยังเอกสารนับล้านที่สร้างขึ้นโดยอุตสาหกรรมที่มีอิทธิพลต่อสุขภาพของประชาชนซึ่งจัดทำโดยห้องสมุด UCSF
3. ชุดข้อมูลเอกสารสี - จากระบบข้อมูลทางประสาทสัมผัสอัจฉริยะมหาวิทยาลัยอัมสเตอร์ดัม
4. คอลเลกชัน IIT CDIP - ชุดข้อมูลประกอบด้วยเอกสารจากคดีของรัฐต่ออุตสาหกรรมยาสูบในปี 1990 ประกอบด้วยเอกสารประมาณ 7 ล้านเอกสาร

เครื่องมือประมวลผล PDF

1. BORB - เป็นไลบรารี Python บริสุทธิ์ที่จะอ่านเขียนและจัดการเอกสาร PDF มันแสดงถึงเอกสาร PDF เป็นโครงสร้างที่คล้ายกับ JSON ของรายการซ้อนพจนานุกรมและดั้งเดิม (ตัวเลข, สตริง, บูลีน, ฯลฯ )
2. Pawls - คำอธิบายประกอบ PDF พร้อมป้ายกำกับและโครงสร้างเป็นซอฟต์แวร์ที่ทำให้ง่ายต่อการรวบรวมชุดคำอธิบายประกอบที่เกี่ยวข้องกับเอกสาร PDF
3. PDFPlumber - PLUMB A PDF สำหรับข้อมูลโดยละเอียดเกี่ยวกับตัวละครข้อความแต่ละรูปสี่เหลี่ยมและเส้น บวก: การสกัดตารางและการดีบักภาพ
4. pdfminer.six - pdfminer.six เป็นชุมชนที่ได้รับการดูแลเป็นส้อมของ pdfminer ดั้งเดิม มันเป็นเครื่องมือสำหรับการแยกข้อมูลจากเอกสาร PDF มุ่งเน้นไปที่การรับและวิเคราะห์ข้อมูลข้อความ
5. ตัวแยกวิเคราะห์เค้าโครง - ตัวแยกวิเคราะห์เค้า
6. Tabulo - การสกัดตารางจากภาพ
7. OCRMYPDF - OCRMYPDF เพิ่มเลเยอร์ข้อความ OCR ลงในไฟล์ PDF ที่สแกนทำให้สามารถค้นหาหรือคัดลอกได้
8. PDFBox - Apache PDFBox Library เป็นเครื่องมือ Java โอเพนซอร์ซสำหรับการทำงานกับเอกสาร PDF โครงการนี้อนุญาตให้สร้างเอกสาร PDF ใหม่การจัดการเอกสารที่มีอยู่และความสามารถในการแยกเนื้อหาจากเอกสาร
9. PDFPIG - โครงการนี้อนุญาตให้ผู้ใช้อ่านและแยกข้อความและเนื้อหาอื่น ๆ จากไฟล์ PDF นอกจากนี้ห้องสมุดสามารถใช้ในการสร้างเอกสาร PDF ง่าย ๆ ที่มีข้อความและรูปทรงเรขาคณิต โครงการนี้มีจุดมุ่งหมายไปยังพอร์ต pdfbox ถึง C#
10. Parsing-Prickly-PDFS-ทรัพยากรและแผ่นงานสำหรับการประชุมเชิงปฏิบัติการ NICAR 2016 ที่มีชื่อเดียวกัน
11. PDF-text-extraction-benchmark-Benchmark เครื่องมือ PDF
12. สแกนเนอร์ PDF ดิจิตอลเกิด - ตรวจสอบว่า PDF เป็นดิจิตอลเกิดหรือไม่
13. OpenContracts แพลตฟอร์ม PDF ที่ได้รับอนุญาต APACHE2 ที่ได้รับการรับรองจาก PDF สำหรับเอกสารที่มีความหลากหลายทางสายตาซึ่งเก็บรักษาเค้าโครงดั้งเดิมและส่งออกข้อมูลตำแหน่ง X, Y สำหรับโทเค็นรวมถึงช่วงเริ่มต้นและหยุด ขึ้นอยู่กับ pawls แต่มีแบ็กเอนด์ที่ใช้งูเหลือมและสามารถปรับใช้ได้อย่างง่ายดายบนเครื่องในท้องถิ่นของคุณอินทราเน็ต บริษัท หรือเว็บผ่านการเขียน Docker
14. DeepDoctection Deep Doctection เป็นไลบรารี Python ที่จัดทำเอกสารการสกัดเอกสารและการวิเคราะห์เค้าโครงเอกสารสำหรับรูปภาพและเอกสาร PDF โดยใช้แบบจำลองการเรียนรู้ลึก มันไม่ได้ใช้โมเดล แต่ช่วยให้คุณสามารถสร้างท่อโดยใช้ไลบรารีที่ได้รับการยอมรับอย่างสูงสำหรับการตรวจจับวัตถุ OCR และงาน NLP ที่เลือกและให้เฟรมเวิร์กแบบบูรณาการสำหรับการปรับแต่งการประเมินและการวิ่ง
15. Pydoxtools Pydoxtools เป็นไลบรารี AI-composition สำหรับการวิเคราะห์ dpocument มันมีชุดเครื่องมือที่กว้างขวางสำหรับการสร้างท่อการวิเคราะห์เอกสารที่ซับซ้อนและรับรู้รูปแบบเอกสารส่วนใหญ่ออกจากกล่อง รองรับงาน NLP ทั่วไปเช่นคำหลักการสรุปคำถาม question_answering ออกจากกล่อง และคุณสมบัติอัลกอริทึมการสกัดตาราง CPU/หน่วยความจำที่มีคุณภาพสูงและทำให้การทำงานของชุด NLP บนคลัสเตอร์ง่าย

การประชุมการประชุมเชิงปฏิบัติการ

กลับไปด้านบน

ทั่วไป / ธุรกิจ / การเงิน

1. การประชุมนานาชาติเกี่ยวกับการวิเคราะห์เอกสารและการรับรู้ (ICDAR) [2021, 2019, 2017]
2. การประชุมเชิงปฏิบัติการเรื่อง Document Intelligence (DI) [2021, 2019]
3. การประชุมเชิงปฏิบัติการการประมวลผลทางการเงิน (FNP) [2021, 2020, 2019]
4. การประชุมเชิงปฏิบัติการเรื่องเศรษฐศาสตร์และการประมวลผลภาษาธรรมชาติ (ECONLP) [2021, 2019, 2018]
5. การประชุมเชิงปฏิบัติการระหว่างประเทศเกี่ยวกับระบบการวิเคราะห์เอกสาร (DAS) [2020, 2018, 2016]
6. การประชุมนานาชาติ ACM เกี่ยวกับ AI ในด้านการเงิน (ICAIF)
7. การประชุมเชิงปฏิบัติการ AAAI-21 เกี่ยวกับการค้นพบความรู้จากข้อมูลที่ไม่มีโครงสร้างในบริการทางการเงิน
8. การประชุมเชิงปฏิบัติการ CVPR 2020 เกี่ยวกับข้อความและเอกสารในยุคการเรียนรู้ลึก
9. KDD Workshop เกี่ยวกับการเรียนรู้ของเครื่องจักรในด้านการเงิน (KDD MLF 2020)
10. Finir 2020: การประชุมเชิงปฏิบัติการครั้งแรกเกี่ยวกับการดึงข้อมูลในการเงิน
11. การประชุมเชิงปฏิบัติการ KDD ครั้งที่ 2 เกี่ยวกับการตรวจจับความผิดปกติในการเงิน (KDD 2019)
12. การประชุมการทำความเข้าใจเอกสาร (DUC 2007)

ความเข้าใจในเอกสารทางวิทยาศาสตร์

1. การประชุมเชิงปฏิบัติการ AAAI-21 เกี่ยวกับการทำความเข้าใจเอกสารทางวิทยาศาสตร์ (SDU 2021)
2. การประชุมเชิงปฏิบัติการครั้งแรกเกี่ยวกับการประมวลผลเอกสารทางวิชาการ (SDPROC 2020)
3. การประชุมเชิงปฏิบัติการระหว่างประเทศเกี่ยวกับการวิเคราะห์เอกสารทางวิทยาศาสตร์ (SCIDOCA) [2020, 2018, 2017]

บล็อก

กลับไปด้านบน

1. การสำรวจรูปแบบการทำความเข้าใจเอกสาร, 2021
2. การสกัดแบบฟอร์มเอกสาร, 2021
3. วิธีการทำให้กระบวนการโดยอัตโนมัติด้วยข้อมูลที่ไม่มีโครงสร้าง 2021
4. คู่มือที่ครอบคลุมสำหรับ OCR ด้วย RPA และความเข้าใจในเอกสาร, 2021
5. การสกัดข้อมูลจากใบเสร็จรับเงินด้วยกราฟ Convolutional Networks, 2021
6. วิธีแยกข้อมูลที่มีโครงสร้างจากใบแจ้งหนี้ 2021
7. การแยกข้อมูลที่มีโครงสร้างจากเอกสารแบบ templatic, 2020
8. ในการใช้ AI เพื่อความดีลองคิดแบบฟอร์มการสกัด, 2020
9. UIPATH Document ทำความเข้าใจสถาปัตยกรรมและแนวทางการแก้ปัญหาปี 2020
10. ฉันจะทำการสกัดข้อมูลโดยอัตโนมัติจากเอกสารที่ซับซ้อนได้อย่างไร, 2020
11. LegalTech: การสกัดข้อมูลในเอกสารทางกฎหมายปี 2020

การแก้ปัญหา

กลับไปด้านบน

บริษัท ใหญ่:

1. แอมบี้
2. แอคเซนเจอร์
3. อเมซอน
4. Google
5. Microsoft
6. uipath

เล็กกว่า:

1. applica.ai
2. base64.ai
3. เอกสาร
4. องค์ประกอบ AI
5. ไฟ
6. อินสตาเบส
7. Konfuzio
8. เมตาเมีย
9. นาโน
10. โรสซัม
11. ไซโล

ตัวอย่าง

เอกสารที่หลากหลายทางสายตา

กลับไปด้านบน

ใน VRDS ความสำคัญของข้อมูลเลย์เอาต์เป็นสิ่งสำคัญที่จะต้องเข้าใจเอกสารทั้งหมดอย่างถูกต้อง (นี่เป็นกรณีที่มีเอกสารทางธุรกิจเกือบทั้งหมด) สำหรับข้อมูลเชิงพื้นที่ของมนุษย์ช่วยเพิ่มความสามารถในการอ่านและความเร็วในการทำความเข้าใจเอกสาร

ใบแจ้งหนี้ / ประวัติย่อ / โฆษณางาน

NDA / รายงานประจำปี

การแยกข้อมูลสำคัญ

กลับไปด้านบน

จุดมุ่งหมายของงานนี้คือการแยกข้อความของฟิลด์คีย์จำนวนหนึ่งจากการรวบรวมเอกสารที่กำหนดซึ่งมีเอนทิตีหลักที่คล้ายกัน

ใบเสร็จรับเงินที่สแกน

NDA / รายงานประจำปี

ตัวอย่างของแอปพลิเคชันธุรกิจจริงและข้อมูลสำหรับชุดข้อมูล Kleister (หน่วยงานหลักอยู่ในสีน้ำเงิน)

ใบปลิวออนไลน์มัลติมีเดีย

ตัวอย่างของใบปลิวอสังหาริมทรัพย์เชิงพาณิชย์และข้อมูลรายการด้วยตนเอง© Promaker Commercial Real Estate LLC, © Brokersavant Inc.

ใบแจ้งหนี้ภาษีมูลค่าเพิ่ม

หน้าเว็บ

การวิเคราะห์เค้าโครงเอกสาร

กลับไปด้านบน

ในการมองเห็นคอมพิวเตอร์หรือการประมวลผลภาษาธรรมชาติการวิเคราะห์เค้าโครงเอกสารเป็นกระบวนการระบุและจัดหมวดหมู่ภูมิภาคที่น่าสนใจในภาพสแกนของเอกสารข้อความ ระบบการอ่านต้องการการแบ่งส่วนของโซนข้อความจากที่ไม่ใช่ข้อความและการจัดเรียงในลำดับการอ่านที่ถูกต้อง การตรวจจับและการติดฉลากของโซนที่แตกต่างกัน (หรือบล็อก) เป็นตัวข้อความภาพประกอบสัญลักษณ์คณิตศาสตร์และตารางที่ฝังอยู่ในเอกสารเรียกว่าการวิเคราะห์เค้าโครงเรขาคณิต แต่โซนข้อความมีบทบาทเชิงตรรกะที่แตกต่างกันภายในเอกสาร (ชื่อคำอธิบายภาพเชิงอรรถ ฯลฯ ) และการติดฉลากความหมายประเภทนี้คือขอบเขตของการวิเคราะห์เค้าโครงเชิงตรรกะ (https://en.wikipedia.org/wiki/document_layout_analysis)

สิ่งพิมพ์ทางวิทยาศาสตร์

หนังสือพิมพ์ประวัติศาสตร์

เอกสารทางธุรกิจ

สีแดง: บล็อกข้อความ, สีน้ำเงิน: รูป

การตอบคำถามเอกสาร

กลับไปด้านบน

ตัวอย่าง docvqa

การสาธิตแบบจำลองแบบเอียง

แรงบันดาลใจ

กลับไปด้านบน

โดเมน

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

AI/DL/ML ทั่วไป

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/awesome-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-automl-papers