背景说明
文档分类是个比较经典和传统的topic,在ICDAR上也有些数据集和比赛。不过大部分都是英文文档,方法也都比较直接,直接扔进去网络里面训练了。但实际上,与真实场景的问题差距是比较大的。
公开数据集
这部分工作后续逐步补充
RVL-CPID文档分类数据集
真实场景的问题
1、种类繁多
真实场景包含各种卡证、财务类、金融医疗类等文档票据,从业务逻辑上,需要将各类票证分开。比如费用明细不同的页数需要分开,购物小票、结算小票等票据的区分。
2、相似度高
无论是从视觉还是从内容上,区分性都并不是很明显。简单的提取视觉特征,做分类已经不足够。如何提取更有代表性的特征?是否可以融合局部特征?如何让网络学习更强的类类和类间表示?
3、样本不足,标注成本较高
真实场景无法获取到大量数据,而又要解决问题。另外,即使获取到大量数据,标注成本也会非常高。如何搭建小样本学习的框架?如何构建弱监督的模型能力?
方案调研&尝试记录
细粒度分类
最先也是最容易考虑到方向是细粒度分类,有一篇综述还可以[1]。有两套比较合适的思路:
- 融合部件信息(part-based)