野外场景下的表格检测：一种新型多样化的表格检测数据集与方法

近年来，深度学习在表格检测任务中取得了显著进展，展现出优异的性能，并被证明在识别文档版面结构方面具有高效性。然而，当前可用的表格检测基准数据集仍存在诸多局限，包括样本多样性不足、表格结构过于简单、训练样本匮乏以及样本质量参差等问题。针对上述挑战，本文提出一个多样化、大规模的表格检测数据集，包含超过七千个样本，其表格结构类型丰富，数据来源广泛，覆盖多种真实场景。此外，本文还基于卷积神经网络（CNN）提出了一种基线方法，用于检测文档中的表格结构。实验结果表明，卷积深度学习方法在性能上显著优于传统的计算机视觉方法。本数据集的发布将有力推动社区开发高效、高吞吐量的深度学习模型，以更好地理解文档版面布局并提升表格数据处理能力。数据集下载地址如下：1. https://www.kaggle.com/datasets/mrinalim/stdw-dataset2. https://huggingface.co/datasets/n3011/STDW