DocLayout-YOLO: تحسين تحليل تخطيط المستندات من خلال بيانات مصنعة متنوعة وإدراك تكيفي من الشامل إلى الجزئي

تحليل تخطيط الوثيقة مهم للغاية لنظم فهم الوثائق في العالم الحقيقي، ولكنه يواجه تحديًا بين السرعة والدقة: الطرق متعددة الوسائط التي تستفيد من النصوص والميزات البصرية تحقق دقة أعلى ولكنها تعاني من تأخير كبير، بينما الطرق أحادية الوسيلة التي تعتمد فقط على الميزات البصرية توفر سرعات معالجة أسرع على حساب الدقة. لمعالجة هذا المأزق، نقدم DocLayout-YOLO، وهي طريقة جديدة تحسن الدقة مع الحفاظ على مزايا السرعة من خلال التحسينات الخاصة بالوثيقة في كل من التدريب الأولي وتصميم النموذج. بالنسبة للتدريب الأولي القوي للوثائق، نقدم خوارزمية Mesh-candidate BestFit (أفضل تناسب المرشحات الشبكية)، والتي تتعامل مع تركيب الوثائق كمشكلة حزم ثنائية الأبعاد، مما يولد مجموعة بيانات DocSynth-300K (تركيب وثائق 300 ألف) الكبيرة والمتنوعة. التدريب الأولي على مجموعة البيانات DocSynth-300K الناتجة يحسن بشكل كبير أداء التعديل الدقيق عبر أنواع مختلفة من الوثائق. فيما يتعلق بتحسين النموذج، نقترح وحدة استقبال قابلة للتحكم من العالمية إلى المحلية (Global-to-Local Controllable Receptive Module) قادرة على التعامل بشكل أفضل مع التباينات متعددة المقاييس لعناصر الوثيقة. بالإضافة إلى ذلك، لتأكيد الأداء عبر أنواع مختلفة من الوثائق، نقدم مقاييس صعبة ومعقدة باسم DocStructBench (مقاييس بنية الوثيقة). التجارب الشاملة على مجموعات البيانات الثانوية تظهر أن DocLayout-YOLO تتفوق في كل من السرعة والدقة. يمكن الحصول على الرموز البرمجية والبيانات والنماذج من https://github.com/opendatalab/DocLayout-YOLO.