表格恢复 结构识别 现状

• GFTE: Graph-based Financial Table Extraction：表格识别任务的数据集构建      有实现
  • 发布了一个标准的中文数据集 FinTab
  • 基于图卷积神经网络（Graph Convolutional Network ，GCN）的模型 GFTE 作为该表格识别数据集中的基线方法
    • （a） 构建基本事实，包括表格区域的图像、文本内容、文本位置和结构标签
    • （b） 基于单元格构造一个无向图 G=<V, R_C>。
    • （c）使用 GFTE 来预测相邻关系，包括垂直关系和水平关系
• TableNet: Deep Learning model for end-to-end Table detection and Tabular data extraction from Scanned Document Images：表格检测与结构识别任务   无官方实现
  • 利用了表格检测和表格结构识别这两个任务之间固有的相互依赖性，利用一个基础网络通过预先训练的 VGG-19 特性进行初始化
  • 两个解码器分支，用于 1）表格区域的分段和 2）表格区域内列的分段
  • 使用基于规则的行提取来提取表格单元格中的数据
• Table Structure Extraction with Bi-directional Gated Recurrent Unit Networks：表格结构识别任务
• 该方法的核心就是 GRU 的引入，与传统的基于 CNN、启发式算法的方法相比，基于序列的模型可以有效捕捉表格中重复的行 / 列结构，因此能够大大改进表格结构识别的性能。 
  • 首先对表格图像进行预处理，然后将其输入带有门控递归单元（Gated Recurrent Unit，GRU）的双向递归神经网络
  • 通过 softmax 激活实现全连接层
  • 网络从上到下、从左到右扫描图像，并将每个输入分类为行分隔符或列分隔符