表格的结构识别综述

目前正在作的内容，属于现状调研阶段。

目录

ICDAR2019竞赛

ICDAR2021竞赛

---

ICDAR2019竞赛

icdar 2021有这方面的比赛，贴几个论文：

Table Structure Recognition using Top-Down.pdf

Global Table Extractor (GTE)-号称打败下面.pdf

Robust table recognition for printed document images.txt

ReS2TIM Reconstruct Syntactic Structures from Table Images-19ICDAR-13F1=74.txt

Table Structure Extraction with Bi-directional-19ICDAR-13f1=93.pdf

TableNet Deep Learning model for end-to-end-19ICDAR-13F1=91.pdf

ICDAR_Table_Str_Det-19.pdf

Rethinking Table Recognition using-19-ICDAR.pdf

后缀是19的，表示 19年icdar的会议论文。其中 我主要看了最上面的两篇文章。再贴几个数据集 连接：

TableBank Dataset

IBM Developer

SciTSR dataset  （这个数据集是在谷歌云上，最好能翻墙，才能下载。）

暂时写到这，后面有感悟，再写。

**************************************************************************************************************

ICDAR2021竞赛

2022.07.08

表格方面的综述2021-IEEE论文-深度神经网络在文档图像表格识别中的应用现状及性能分析_郑建宇Jy的博客-CSDN博客

**************************************************************************************************************

2022.09.14

另一篇表格识别综述，看起来讲的更好一点。

表格识别技术综述_CharlesWu123的博客-CSDN博客

**************************************************************************************************************

下面都是比较新的并且在公开数据集PubTabnet数据集上有良好表现。

干货丨小米表格识别技术揭秘

Table master训练测试流程_CV-deeplearning的博客-CSDN博客.

PaddleOCR/PP-Structurev2_introduction.md at dygraph · PaddlePaddle/PaddleOCR · GitHub

 **************************************************************************************************************

表格结构识别的方案梳理：

1. 基于传统算法提取表格线，再由表格线推导行、列、合并单元格的信息；

2. 基于目标检测，检测出单元格，再用后处理方法组织单元格还原表格结构；

3. 基于语义分割，分割出表格线，然后对分割结果进行后处理还原表格结构；

4. 目前主流的方法是将表格用HTML 的超文本表示，然后对HTML 进行编码，预测HTML 序列和对应的坐标信息。该方法在开源数据集上取得了不错的效果，中国平安科技和百度也采用了这种方案，但是HTML 的标签过多导致表格结构识别容易出错。（百度的Paddle和中国平安的table master）

5. 其他。

标注格式PubTabNet：

 

这里要区分两个概念：a单元格的绝对坐标，b单元格内文本块（可能多行）的绝对坐标。PubTabNet的标注格式是 b种格式，相应的百度的Paddle和中国平安的table master也是用的这种格式，所以都是用序列化模型（GRU、transformer）建模来预测html结构，同时预测单元格内文本块的坐标。得到了逻辑结构html、文本块坐标后，也应该都需要准确OCR信息（文本行坐标和字符）进行后处理还原完整的表格信息。