摸索图像数据中的暗藏信息：语义实体辨认和关系抽取的微妙之旅

1. 简介

1.1 背景

要害信息抽取 (Key Information Extraction, KIE)指的是是从文本或者图像中，抽取出要害的信息。针对文档图像的要害信息抽取工作作为OCR的上游工作，存在十分多的理论利用场景，如表单辨认、车票信息抽取、身份证信息抽取等。然而，应用人力从这些文档图像中提取或者收集要害信息耗时费劲，怎么自动化交融图像中的视觉、布局、文字等特色并实现要害信息抽取是一个价值与挑战并存的问题。

对于特定场景的文档图像，其中的要害信息地位、版式等较为固定，因而在钻研晚期有很多基于模板匹配的办法进行要害信息的抽取，思考到其流程较为简单，该办法依然被广泛应用在目前的很多场景中。然而这种基于模板匹配的办法在利用到不同的场景中时，须要消耗大量精力去调整与适配模板，迁徙老本较高。

文档图像中的KIE个别蕴含2个子工作，示意图如下图所示。

  • （1）SER: 语义实体辨认 (Semantic Entity Recognition)，对每一个检测到的文本进行分类，如将其分为姓名，身份证。如下图中的彩色框和红色框。
  • （2）RE: 关系抽取 (Relation Extraction)，对每一个检测到的文本进行分类，如将其分为问题 (key) 和答案 (value) 。而后对每一个问题找到对应的答案，相当于实现key-value的匹配过程。如下图中的红色框和彩色框别离代表问题和答案，黄色线代表问题和答案之间的对应关系。

1.2 基于深度学习的支流办法

个别的KIE办法基于命名实体辨认(Named Entity Recognition,NER)来开展钻研，然而此类办法仅应用了文本信息而疏忽了地位与视觉特色信息，因而精度受限。近几年大多学者开始交融多个模态的输出信息，进行特色交融，并对多模态信息进行解决，从而晋升KIE的精度。次要办法有以下几种

  • （1）基于Grid的办法：此类办法次要关注图像层面多模态信息的交融，文本大多大多为字符粒度，对文本与构造构造信息的嵌入形式较为简单，如Chargrid[1]等算法。
  • （2）基于Token的办法：此类办法参考NLP中的BERT等办法，将地位、视觉等特色信息独特编码到多模态模型中，并且在大规模数据集上进行预训练，从而在上游工作中，仅须要大量的标注数据便能够取得很好的成果。如LayoutLM[2], LayoutLMv2[3], LayoutXLM[4], StrucText[5]等算法。
  • （3）基于GCN的办法：此类办法尝试学习图像、文字之间的构造信息，从而能够解决开集信息抽取的问题（训练集中没有见过的模板），如GCN[6]、SDMGR[7]等算法。
  • （4）基于End-to-end的办法：此类办法将现有的OCR文字辨认以及KIE信息抽取2个工作放在一个对立的网络中进行独特学习，并在学习过程中互相增强。如Trie[8]等算法。

更多对于该系列算法的具体介绍，请参考“入手学OCR·十讲”课程的课节六局部：[文档剖析实践与实际]()。

2. 要害信息抽取工作流程

PaddleOCR中实现了LayoutXLM等算法（基于Token），同时，在PP-StructureV2中，对LayoutXLM多模态预训练模型的网络结构进行简化，去除了其中的Visual backbone局部，设计了视觉无关的VI-LayoutXLM模型，同时引入合乎人类浏览程序的排序逻辑以及UDML常识蒸馏策略，最终同时晋升了要害信息抽取模型的精度与推理速度。

上面介绍怎么基于PaddleOCR实现要害信息抽取工作。

在非End-to-end的KIE办法中，实现要害信息抽取，至多须要2个步骤：首先应用OCR模型，实现文字地位与内容的提取，而后应用KIE模型，依据图像、文字地位以及文字内容，提取出其中的要害信息。

2.1 训练OCR模型

2.1.1 文本检测

（1）数据

PaddleOCR中提供的模型大多数为通用模型，在进行文本检测的过程中，相邻文本行的检测个别是依据地位的远近进行辨别，如上图，应用PP-OCRv3通用中英文检测模型进行文本检测时，容易将”民族“与“汉”这2个代表不同的字段检测到一起，从而减少后续KIE工作的难度。因而倡议在做KIE工作的过程中，首先训练一个针对该文档数据集的检测模型。

在数据标注时，要害信息的标注须要隔开，比上图中的 “民族汉” 3个字相隔较近，此时须要将”民族“与”汉“标注为2个文本检测框，否则会减少后续KIE工作的难度。

对于上游工作，一般来说，200~300张的文本训练数据即可保障根本的训练成果，如果没有太多的先验常识，能够先标注 200~300 张图片，进行后续文本检测模型的训练。

（2）模型

在模型抉择方面，举荐应用PP-OCRv3_det，对于更多对于检测模型的训练方法介绍，请参考：OCR文本检测模型训练教程与PP-OCRv3 文本检测模型训练教程。

2.1.2 文本辨认

绝对天然场景，文档图像中的文本内容辨认难度个别绝对较低（背景绝对不太简单），因而优先倡议尝试PaddleOCR中提供的PP-OCRv3通用文本辨认模型(PP-OCRv3模型库链接)。

（1）数据

然而，在局部文档场景中也会存在一些挑战，如身份证场景中存在着常见字，在发票等场景中的字体比拟非凡，这些问题都会减少文本辨认的难度，此时如果心愿保障或者进一步晋升模型的精度，倡议基于特定文档场景的文本辨认数据集，加载PP-OCRv3模型进行微调。

在模型微调的过程中，倡议筹备至多5000张垂类场景的文本辨认图像，能够保障根本的模型微调成果。如果心愿晋升模型的精度与泛化能力，能够合成更多与该场景相似的文本辨认数据，从公开数据集中收集通用实在文本辨认数据，一并增加到该场景的文本辨认训练任务过程中。在训练过程中，倡议每个epoch的实在垂类数据、合成数据、通用数据比例在1:1:1左右，这能够通过设置不同数据源的采样比例进行管制。如有3个训练文本文件，别离蕴含1W、2W、5W条数据，那么能够在配置文件中设置数据如下：

Train:  dataset:    name: SimpleDataSet    data_dir: ./train_data/    label_file_list:    - ./train_data/train_list_1W.txt    - ./train_data/train_list_2W.txt    - ./train_data/train_list_5W.txt    ratio_list: [1.0, 0.5, 0.2]    ...

（2）模型

在模型抉择方面，举荐应用通用中英文文本辨认模型PP-OCRv3_rec，对于更多对于文本辨认模型的训练方法介绍，请参考：OCR文本辨认模型训练教程与PP-OCRv3文本辨认模型库与配置文件。

2.2 训练KIE模型

对于辨认失去的文字进行要害信息抽取，有2种次要的办法。

（1）间接应用SER，获取要害信息的类别：如身份证场景中，将“姓名“与”张三“别离标记为name_key与name_value。最终辨认失去的类别为name_value对应的文本字段即为咱们所须要的要害信息。

（2）联结SER与RE进行应用：这种办法中，首先应用SER，获取图像文字内容中所有的key与value，而后应用RE办法，对所有的key与value进行配对，找到映射关系，从而实现要害信息的抽取。

2.2.1 SER

以身份证场景为例， 要害信息个别蕴含姓名、性别、民族等，咱们间接将对应的字段标注为特定的类别即可，如下图所示。

留神：

  • 标注过程中，对于无对于KIE要害信息的文本内容，均须要将其标注为other类别，相当于背景信息。如在身份证场景中，如果咱们不关注性别信息，那么能够将“性别”与“男”这2个字段的类别均标注为other。
  • 标注过程中，须要以文本行为单位进行标注，无需标注单个字符的地位信息。

数据量方面，一般来说，对于比拟固定的场景，50张左右的训练图片即可达到能够承受的成果，能够应用PPOCRLabel实现KIE的标注过程。

模型方面，举荐应用PP-StructureV2中提出的VI-LayoutXLM模型，它基于LayoutXLM模型进行改良，去除其中的视觉特征提取模块，在精度根本无损的状况下，进一步晋升了模型推理速度。更多教程请参考：VI-LayoutXLM算法介绍与KIE要害信息抽取应用教程。

2.2.2 SER + RE

该过程次要蕴含SER与RE 2个过程。SER阶段次要用于辨认出文档图像中的所有key与value，RE阶段次要用于对所有的key与value进行匹配。

以身份证场景为例， 要害信息个别蕴含姓名、性别、民族等要害信息，在SER阶段，咱们须要辨认所有的question (key) 与answer (value) 。标注如下所示。每个字段的类别信息（label字段）能够是question、answer或者other（与待抽取的要害信息无关的字段）

在RE阶段，须要标注每个字段的的id与连贯信息，如下图所示。

每个文本行字段中，须要增加id与linking字段信息，id记录该文本行的惟一标识，同一张图片中的不同文本内容不能反复，linking是一个列表，记录了不同文本之间的连贯信息。如字段“出世”的id为0，字段“1996年1月11日”的id为1，那么它们均有[[0, 1]]的linking标注，示意该id=0与id=1的字段形成key-value的关系（姓名、性别等字段相似，此处不再一一赘述）。

留神：

  • 标注过程中，如果value是多个字符，那么linking中能够新增一个key-value对，如[[0, 1], [0, 2]]

数据量方面，一般来说，对于比拟固定的场景，50张左右的训练图片即可达到能够承受的成果，能够应用PPOCRLabel实现KIE的标注过程。

模型方面，举荐应用PP-StructureV2中提出的VI-LayoutXLM模型，它基于LayoutXLM模型进行改良，去除其中的视觉特征提取模块，在精度根本无损的状况下，进一步晋升了模型推理速度。更多教程请参考：VI-LayoutXLM算法介绍与KIE要害信息抽取应用教程。

3. 参考文献

[1] Katti A R, Reisswig C, Guder C, et al. Chargrid: Towards understanding 2d documents[J]. arXiv preprint arXiv:1809.08799, 2018.

[2] Xu Y, Li M, Cui L, et al. Layoutlm: Pre-training of text and layout for document image understanding[C]//Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 2020: 1192-1200.

[3] Xu Y, Xu Y, Lv T, et al. LayoutLMv2: Multi-modal pre-training for visually-rich document understanding[J]. arXiv preprint arXiv:2012.14740, 2020.

[5] Li Y, Qian Y, Yu Y, et al. StrucTexT: Structured Text Understanding with Multi-Modal Transformers[C]//Proceedings of the 29th ACM International Conference on Multimedia. 2021: 1912-1920.

[6] Liu X, Gao F, Zhang Q, et al. Graph convolution for multimodal information extraction from visually rich documents[J]. arXiv preprint arXiv:1903.11279, 2019.

[7] Sun H, Kuang Z, Yue X, et al. Spatial Dual-Modality Graph Reasoning for Key Information Extraction[J]. arXiv preprint arXiv:2103.14470, 2021.

[8] Zhang P, Xu Y, Cheng Z, et al. Trie: End-to-end text reading and information extraction for document understanding[C]//Proceedings of the 28th ACM International Conference on Multimedia. 2020: 1413-1422.

参考链接

https://github.com/PaddlePaddle/PaddleOCR/tree/release/2.7

更多优质内容请关注公号：汀丶人工智能；会提供一些相干的资源和优质文章，收费获取浏览。