التعرف على هيكل الجدول هو مهمة صعبة بسبب التنوع في الهياكل والعلاقات المعقدة بين الخلايا الممتدة. الأساليب السابقة تعاملت مع المشكلة بدءًا من العناصر بمستويات مختلفة (الصفوف/الأعمدة، المناطق النصية)، مما أدى إلى مشاكل مثل القواعد التجريبية غير الدقيقة أو تجاهل تقسيم الخلايا الفارغة. بناءً على خصائص هيكل الجدول، وجدنا أن الحصول على الصناديق الحدودية المتماهية للمنطقة النصية يمكن أن يحافظ بشكل فعال على النطاق الكامل ذي الصلة لخلايا مختلفة. ومع ذلك، فإن الصناديق الحدودية المتماهية صعبة التنبؤ بدقة بسبب الغموض البصري. في هذا البحث، نهدف إلى الحصول على صناديق حدودية متماهية أكثر ثقة من خلال الاستفادة الكاملة من المعلومات البصرية من المناطق النصية في الخصائص المحلية والعلاقات بين الخلايا في الخصائص العالمية. تحديدًا، نقترح إطار عمل التوافق الهرمي المحلي والعالمي (Local and Global Pyramid Mask Alignment)، الذي يستخدم آلية التعلم بالقناع الهرمي اللين في خرائط الخصائص المحلية والعالمية. هذا يسمح للحدود المتوقعة للصناديق الحدودية بتجاوز قيود المقترحات الأصلية. ثم يتم دمج وحدة إعادة تقييم القناع الهرمي لحل مشكلة المعلومات المحلية والعالمية وتحسين الحدود المتوقعة. أخيرًا، نقترح خط أنابيب قويًا لاستعادة هيكل الجدول للحصول على الهيكل النهائي، حيث نحل أيضًا بكفاءة مشاكل تحديد وتقسيم الخلايا الفارغة. تظهر نتائج التجارب أن الطريقة المقترحة تحقق أداءً تنافسيًا وحتى جديدًا يتفوق على أفضل ما سبقه (state-of-the-art) في عدة مقاييس عامة.