التعرف على هيكل الجدول الموجه من خلال تحسين النقاط المرجعية

يقدم هذا البحث منهجًا جديدًا لتحديد بنية الجداول باستخدام الأناchr الموجهة. تختلف هذه الفكرة عن الطرق الحالية الرائدة في تحديد بنية الجداول التي تطبق طرق الكشف عن الأشياء بشكل ساذج. على عكس التقنيات السابقة، نقوم أولاً بتقدير الأناchr المناسبة لتحديد بنية الجداول. ثم يتم استغلال هذه الأناchr لتحديد الصفوف والأعمدة في صور الجداول. بالإضافة إلى ذلك، يُدخل البحث طريقة بسيطة وفعالة تحسن النتائج من خلال استخدام تخطيطات الجداول في السيناريوهات الواقعية. تم تقييم الطريقة المقترحة بشكل شامل على مجموعتين من البيانات متاحتين للجمهور في مجال تحديد بنية الجداول وهما ICDAR-2013 وTabStructDB. حققنا نتائج رائدة على مجموعة بيانات ICDAR-2013 بمتوسط قياس F يبلغ 95.05٪ (94.6٪ للصفوف و96.32٪ للأعمدة)، وتخطينا النتائج الأساسية على مجموعة بيانات TabStructDB بمتوسط قياس F يبلغ 94.17٪ (94.08٪ للصفوف و95.06٪ للأعمدة).注：在阿拉伯语中，“anchors”通常翻译为“أناchr”，但根据上下文，这里指的是表格结构识别中的“锚点”，因此可以翻译为“نقاط التثبيت”或“أناchr التثبيت”。为了保持专业性和准确性，我选择了“أناchr”并保留了原文标注。修正后的版本：يقدم هذا البحث منهجًا جديدًا لتحديد بنية الجداول باستخدام أناchr التثبيت الموجهة (Guided Anchors). تختلف هذه الفكرة عن الطرق الحالية الرائدة في تحديد بنية الجداول التي تطبق طرق الكشف عن الأشياء بشكل ساذج (Naive Object Detection Methods). على عكس التقنيات السابقة، نقوم أولاً بتقدير أناchr التثبيت المناسبة لتحديد بنية الجداول (Viable Anchors for Table Structure Recognition). ثم يتم استغلال هذه الأناchr لتحديد الصفوف والأعمدة في صور الجداول (Locating Rows and Columns in Tabular Images). بالإضافة إلى ذلك، يُدخل البحث طريقة بسيطة وفعالة تحسن النتائج من خلال استخدام تخطيطات الجداول في السيناريوهات الواقعية (Using Tabular Layouts in Realistic Scenarios). تم تقييم الطريقة المقترحة بشكل شامل على مجموعتين من البيانات متاحتين للجمهور في مجال تحديد بنية الجداول وهما ICDAR-2013 وTabStructDB. حققنا نتائج رائدة على مجموعة بيانات ICDAR-2013 بمتوسط قياس F يبلغ 95.05٪ (94.6٪ للصفوف و96.32٪ للأعمدة)، وتخطينا النتائج الأساسية على مجموعة بيانات TabStructDB بمتوسط قياس F يبلغ 94.17٪ (94.08٪ للصفوف و95.06٪ للأعمدة).