弥合DETR与R-CNN在文档图像中图形对象检测性能的差距

本文在弥合DETR与R-CNN在图形对象检测性能上的差距方面迈出了重要一步。现有的图形对象检测方法受益于基于卷积神经网络（CNN）的对象检测技术的最新改进，取得了显著进展。最近，基于Transformer的检测器大幅提升了通用对象检测的性能，消除了对手工设计特征或诸如非极大值抑制（Non-Maximum Suppression, NMS）等后处理步骤的需求，通过使用对象查询实现这一目标。然而，这些增强的基于Transformer的检测算法在图形对象检测问题上的有效性尚未得到验证。受DETR最新进展的启发，我们对现有的检测Transformer进行了少量修改，应用于图形对象检测。我们以不同的方式修改了对象查询，包括使用点、锚框以及向锚框添加正负噪声，以提升性能。这些修改使得模型能够更好地处理不同大小和长宽比的对象，提高对对象位置和大小微小变化的鲁棒性，并改善图像中对象与非对象之间的区分能力。我们在四个图形数据集上评估了我们的方法：PubTables、TableBank、NTable和PubLaynet。通过在DETR中集成查询修改，我们在这些数据集上超越了先前的工作，并分别在TableBank、PubLaynet和PubTables上实现了96.9%、95.7%和99.3%的平均精度均值（mAP）。广泛的消融实验结果表明，基于Transformer的方法在文档分析中的效果类似于其他应用领域。我们希望这项研究能够吸引更多关注到使用检测Transformer进行文档图像分析的研究中来。