توضیحات

عنوان: تشخیص جدول بر اساس یادگیری عمیق

کلیات تحقیق

تشخیص جدول یک مرحله مهم در بسیاری از برنامه های تجزیه و تحلیل اسناد محسوب می شود، زیرا جداول برای ارائه اطلاعات اساسی به خواننده به صورت ساختاری استفاده می شوند.
این مشکل عمده به دلیل طرح بندی های مختلف و کدگذاری جداول است.
محققان روشهای بی شماری را برای تشخیص جدول بر اساس تجزیه و تحلیل طرح اسناد ارائه داده اند که یکی از این روش ها تشخیص جدول بر اساس یادگیری عمیق است.
مشکل تشخیص جدول به دلیل واریانس درون کلاس بالا و پایین کلاس چالش برانگیز است. انجام پاورپوینت
واریانس درون کلاس بالا، نتیجه وجود جداول با طرح دلخواه است، جایی که برخی از جداول حاوی خطوط حاکم هستند، در حالی که برخی دیگر چنین اطلاعاتی را ندارند.
روشهای مختلفی در گذشته برای شناسایی و تجزیه و تحلیل جداول ارائه شده است اما بیشتر این روش ها فقط در PDF های متولد دیجیتال قابل استفاده هستند که از فراداده های اضافی که به تجزیه و تحلیل کمک می کند، بهره برداری می کنند.

شبکه عصبی عمیق

شبکه های عصبی کانولوشنال (CNN) از این نظر که از نورون هایی تشکیل شده اند که با یادگیری خودبهینه می شوند، مشابه ANN های سنتی هستند.
هر نورون هنوز ورودی دریافت می کند و عملیاتی را انجام می دهد (مانند محصول اسکالر و به دنبال آن یک عملکرد غیر خطی) – اساس تعداد بی شمار شبکه های عصبی.
از بردارهای تصویر خام ورودی گرفته تا خروجی نهایی نمره کلاس ، کل شبکه هنوز یک تابع نمره ادراکی واحد (وزن) را بیان می کند.

توجه: