表格识别技术研究进展

2022 年 7 月 4 日 专知

表格广泛存在于科技文献、财务报表、报纸杂志等各类文档中，用于紧凑地存储和展现数据，蕴含着大量有用信息。表格识别是表格信息再利用的基础，具有重要的应用价值，也一直是模式识别领域的研究热点之一。随着深度学习的发展，针对表格识别的新研究和新方法纷纷涌现。然而，由于表格应用场景广泛、样式众多、图像质量参差不齐等因素，表格识别领域仍然存在着大量问题亟需解决。为了更好地总结前人工作，为后续研究提供支持，本文围绕表格区域检测、结构识别和内容识别等3个表格识别子任务，从传统方法、深度学习方法等方面，综述该领域国内外的发展历史和最新进展。梳理了表格识别相关数据集及评测标准，并基于主流数据集和标准，分别对表格区域检测、结构识别、表格信息抽取的典型方法进行了性能比较。然后，对比分析了国内相对于国外，在表格识别方面的研究进展与水平。最后，结合表格识别领域目前面临的主要困难与挑战，对未来的研究趋势和技术发展目标进行了展望。

http://www.cjig.cn/jig/ch/reader/view_abstract.aspx?file_no=20220609&flag=1

在大数据时代,高效地存取数据,以及从海量数据中提取有效信息是各行各业都亟需利用的重要技术。表格作为数据的一种重要载体,具有信息精炼集中、方便体现数据关系等特点,已经在各个行业得到了广泛应用。在教育领域中,表格常常会出现在各类试卷、题目中;在金融领域,表格用来展示和分析数据;在科学领域,表格用来记录各类实验配置以及结果;在现实生活中也常常在幻灯片、车站时刻牌上看到表格。因此对表格进行区域检测、结构识别乃至对其中信息进行识别理解都有着广阔的应用前景。表格在生成或存储过程中往往以图片或 PDF (portable document format)文件的形式存在,会丢失易于计算机理解的原有结构信息。若是采用人工手段对表格进行重新处理录入,会面临效率低下、数据量大导致出错等问题。因此,如何让计算机从文档或图像中自动识别表格、提取信息,成为文档识别领域一个重要的研究问题。早期对于表格的识别大多是针对较为简单或模板化的表格。从表格的布局结构出发,抽取表格线条或抽取文本块,然后使用规则方法进行分析,但这些方法往往泛化能力较差,且难以处理复杂表格。随着深度学习的发展,无论是机器视觉方面还是自然语言处理方面都获得了巨大的进展,各种表格识别的方案相继提出,并有研究者开始尝试对自然场景下的表格进行处理。本文将围绕表格的区域检测、表格结构识别和表格内容识别 3 个表格识别子任务,从传统方法、深度学习方法等方面,综述该领域国内国外的发展历史和最新进展,同时对国内国外的研究进行对比,对未来的趋势和技术发展目标进行展望。