PP-StructureV2: A Stronger Document Analysis System(arxiv 2022)
一.概述
这篇文章来自百度,我们只看其中的表格结构识别部分。作者説在PP-StructureV2中,提出了一个表格结构识别算法,叫SLANet(Strucutre Location Alignment Network),如下图所示。
二.方法概述
1.PP-LCNet:CPU-friendly Lightweight Backbone
PP-LCNet是一个基于MKLDNN加速策略的轻量级CPU网络结构,在多个任务中,比其它轻量级网络结构有更好的性能,比如ShuffleNetV2,MobileNetV3以及GhostNet等。此外,利用SSLD在ImageNet上进行预训练,将其用于表格结构识别的训练中,可以获得更高的准确率。
2.CSP-PAN: Lightweight Multi-level Feature Fusion Module
将backbone网络提取的特征进行融合,可以有效缓解复杂场景中尺度变化带来的问题。CSP-PAN是在PAN基础上改进的,在保证更充分的特征融合的同时,采用了CSP块和深度可分离卷积等策略来降低计算成本。在SLANet中,将CSP-PAN的输出通道从128个减少到96个,以减小模型尺寸。
3.SLAHead: Structure and Location Alignment Module
在tablerec-rare head中,每个步骤的输出被连接并输入到SDM(Structure Decode Module)和CLDM (Cell Location Decode Module)来生成所有的单元格token和坐标,然而此模块忽略了单元格token和坐标之间的一对一对应关系。为此,作者提出了SLAHead来对齐单元格token与坐标。在SLAHead中,每步的输出被送入SDM和CLDM中,以获取当前步的token与坐标,最后将所有步骤的token和坐标连接起来获取所有单元格的HTML表格表示和坐标。
4.Merge Token
在tableleec - rare中,使用两个单独的token <td>和</td>来表示非跨行跨列的单元格,但这限制了网络处理有大量单元格的表格的能力。受TableMaster的启发,在SLANet中将<td>和</td>视为一个token。