超越OCR的富文档内容解析神器LayoutParser

论文题目：《A unified toolkit for Deep Learning Based Document Image Analysis》

论文链接：https://arxiv.org/abs/2103.15348

论文官方网站：https://layout-parser.github.io/

论文开源项目：https://github.com/Layout-Parser/layout-parser

上图是来自一篇论文，从图中可以看出结构是非常复杂的，既有图片，又有文本，而且文本还是两列形式，传统的OCR是按行进行识别的，识别结果可想而知是混乱的，而本文提出的LayoutParser是借助于目标检测模型来提取重要的内容patch，从而避免了两列内容按行扫描的混乱结果。BUT，LayoutParser的贡献不仅如此，下面来解密一下吧

LayoutParser核心贡献：

提供了基于深度学习模型的layout检测、字符识别以及其他document image analysis (DIA) 任务的toolkit工具包；
支持非常丰富的预训练模型；
支持文本图像数据的标注以及模型的客户化；
可以分享和贡献模型的社区；

LayoutParser架构图：

主要包括五个组件，分别是：layout detection models、layout data structures、OCR module、visualization and storage和layout data annotation and model training。

Layout detection models

Layout Detection模块主要是对文档图片进行目标检测识别，比如使用Faster R-CNN、Mask R-CNN。LayoutParser是基于Detectron2提供最小的接口，下面是调用的示例代码：

import layoutparser as lpimage = cv2. imread (" image_file ") # load imagesmodel = lp. Detectron2LayoutModel ("lp :// PubLayNet / faster_rcnn_R_50_FPN_3x / config ")layout = model . detect ( image )

模型与数据集有适配问题，加载模型的格式应该采用如下格式：lp://<dataset-name>/<model-architecture-name>

目前已经预支持9个预训练模型和5个数据集（注意：如果不满足需求，可以上传用户自定义模型），如下表所示：

Layout data structures

LayoutParser还提供了三种不同粒度的Layout数据类型，分别是：Coordinate、TextBlock和Layout，他们的关系如下图所示：

Coordinate是Layout的基本数据类型，支持三种类型，分别是：Interval、Rectangle和Quadrilateral。Interval和Rectangle分别使用2、4个参数来定位1D和2D区域；Quadrilateral支持一些复杂的区域提取，参数有4个顶点和8个自由度；

TextBlock存储每个Layout的位置和其他特性，通过指定parent字段可以指定Layout的阅读顺序；

Layout包括TextBlock的列表，也支持处理一个batch的数据，Layout同样可以嵌套使用。

以上三种Layout数据类型支持的运算操作如下表所示：

OCR module

LayoutParser为常见的OCR工具提供了统一的接口，示例代码如下：

ocr_agent = lp.TesseractAgent()# Can be easily switched to other OCR softwaretokens = ocr_agent.detect(image)

Visualization and storage

LayoutParser支持导出json、CSV以及XML数据格式；支持导入模型训练的COCO、网页数据。当然也可以实时看到OCR的识别结果，如下图所示：

Layout data annotation and model training

LayoutParser集成了主动学习工具，用户只需要标注图像中的部分目标，其他目标就会自动被标注，可以大大减少用户的标注时间

个人使用感受：在一些结构复杂的文本图像上提取效果比使用OCR工具要好很多。

超越OCR的富文档内容解析神器LayoutParser相关推荐

Tika：一个强大的Java文档内容解析工具
Tika介绍 Apache Tika是基于java的内容检测和分析的工具包,可检测并提取来自上千种不同文件类型(如PPT,XLS和PDF)中的元数据和结构化文本. 它提供了命令行界面.GUI界面和一个 ...
python读取word指定内容_python解析html提取数据，并生成word文档实例解析
简介今天试着用ptyhon做了一个抓取网页内容,并生成word文档的功能,功能很简单,做一下记录以备以后用到. 生成word用到了第三方组件python-docx,所以先进行第三方组件的安装.由于w ...
使用HttpHandler解析并展示PDF文档内容
前言如果我们想将服务端的PDF文档内容展示给客户端,往往会通过URL直接访问的方式.这样一来,PDF文档就会毫无保留的保存到客户端去,通过浏览器的PDF插件,客户端可以随意拷贝PDF的副本.(如下图 ...
HttpHandler解析并展示PDF文档内容
2019独角兽企业重金招聘Python工程师标准>>> HttpHandler 解析并展示 PDF 文档内容如果我们想将服务端的 PDF 文档内容展示给客户端,往往会通过 URL ...
POI解析文档内容（txt,doc,docx,xls,xlsx,ppt,pdf）
Apache POI 是用Java编写的免费开源的跨平台的 Java API,Apache POI提供API给Java程式对Microsoft Office格式档案读和写的功能.POI为" ...
java中sax的使用_java使用sax对xml文档的解析
随着互联网技术的发展,XML技术变得越来越重要,从而出现了很多与XML的整合应用方面的技术,SAX就是其中之一.在这里,我就简要谈谈java怎样使用sax对xml文档的解析. 首先,让我们来谈谈S ...
xml批量修改php,通过php修改xml文档内容的方法
本文实例讲述了通过php修改xml文档内容的方法,.具体实现方法如下: 代码如下:<?php //1.创建一个DOMDocument对象.该对象就表示 xml文件 $xmldoc = new D ...
Android学习笔记（八）XML文档的解析
一.废话最近几天四川一直下雨,冷!今天到成都的时候,下午3点多的天和晚上天差不多,黑呼呼的... ...难道传说的2012来了?哈哈哈... ... 二.正文在上一篇笔记中提到过说在Android ...
文档内容结构化技术探索
word,ppt,excel和pdf等十几种常见办公文档,核心基础服务是文档转码和展现. 为了统一十几种文档的转码和展现方案,不依赖于原文件格式的开档软件,技术调研后,最终方案为任意文档转码为pdf格 ...

超越OCR的富文档内容解析神器LayoutParser

超越OCR的富文档内容解析神器LayoutParser相关推荐

最新文章

热门文章