乐趣区

关于ocr:合合信息突破版面分析技术难点让AI更好地阅读分类

秋季是忙碌的收获季,学生党迎来了开学季和缓和的研究生复试,职场人士也须要解决新签业务带来的大量不同类型的文件,比方合同、发票、档案等。这些文件在被拍照、扫描成电子文档的过程中,时常存在漏字、错位景象。究其原因,有个看似“冷门”却要害的技术点极大地影响了文字辨认成果,这个技术便是“版面剖析”。

近期,人工智能及大数据科技企业合合信息继续冲破版面剖析技术在版面宰割、区域间的逻辑关系解决等方面的难题,通过智能文字辨认、智能图像处理等外围技,助力使用者从各类简单的图片文档中精准获取信息。

深度学习助力版面剖析“泛化”难题冲破 

版面剖析的目标是让机器“看懂”文档构造,行将文档图像宰割成不同类型内容的区域,并剖析区域之间的关系,这是内容辨认之前的关键步骤。据中国科学院自动化研究所多模态人工智能零碎全国重点实验室联结多所高校公布的论文显示,版面剖析次要包含物理版面剖析(区域分割、分类,文本检测与定位,文本行宰割等),手写及印刷辨别,表格剖析(单元格提取与关系剖析),逻辑版面剖析(区域语义分类、浏览程序),以及签名、图标、印章等版面元素的提取等。

总体而言,版面剖析工作被分为物理版面剖析(或称为几何版面剖析)和逻辑版面剖析两类,前者次要解决区域分割问题,后者则关注区域之间的逻辑关系或浏览程序。

从上世纪 80 年代开始,较多专门钻研版面剖析的工作成绩开始涌现,尔后经验了多番理念办法迭代。传统的版面分析方法在进行版面布局剖析和表格解决时会显著受制于版式差别,在应答不同场景下的文档图片时泛化成果存在缺点,而深度神经网络的引入无效解决了这些问题。合合信息技术人员在采访中提到,得益于全卷积神经网络(FCN)和图神经网络(GNN)的冲破,文档版面剖析的办法和性能失去了很大倒退。公司基于深度学习的办法,联合文本区域的几何坐标、视觉特色、文本语义等多种模态信息对文本浏览程序进行预测,显著晋升分类后果。

 合合信息智能文字辨认服务平台对存在图片、表格的简单文档进行辨认 同时,合合信息表格构造解析办法在逻辑版面剖析中也施展了重要作用,次要包含自上而下的办法、自下而上的办法以及端到端图像到标记的办法等。在财报相干表格辨认测试中,有线表辨认单元格构造准确率高于 98%;无线表辨认中,在保障表格区域内容的完整性的同时,检测准确率较传统办法显著晋升。

 教育、商务、文保,“小”技术有大利用 

近期,中共中央、国务院印发《数字中国建设整体布局布局》,“数字中国”的建设迈上了新的征程。版面剖析是实现文档信息数字化的重要能力,解决了版面剖析的痛点,有助于各界用户将图像文档以数字化的伎俩更精准地转化为文档数据,晋升工作效率。

对于钻研人员或学生群体而言,版面剖析与 OCR 技术的联合能够广泛应用于课件、试卷、作业、学术论文等资料的数字化解决,自动识别和提取多种教育类文档文本、图像、公式、表格等元素进行不同场景的利用,简化教学和学习过程。

商务场景中,版面剖析与 OCR 技术能自动识别和提取财务数据、图表、文本等信息,并将印刷财报转换为可剖析的电子数据,在解决不同类型的财务报表时,可能晋升报告剖析效率和准确性,帮忙相干人员实现公司财务报告、审计报告、年度报告等文件的主动解决和剖析。

此外,版面剖析相干技术还可作用于文化爱护,通过自动识别和提取各种类型书籍的表格、图像信息,将不同时代、多种印刷版式、多种概念的纸质图样依照合乎人类了解的格局进行电子化存储,帮忙实现文献、古籍、报纸、杂志等材料的数字化和常识治理。相干钻研表明,现阶段,针对简单版面文档和拍照变形文档的剖析辨认仍存在性能有余的状况。这个细小却重要的技术还须要更多的钻研机构及科技企业退出进来,独特推动实践的钻研与利用的冲破。

退出移动版