高性能Transformer在表格结构识别中需要早期卷积

表格结构识别（TSR）旨在将表格图像转换为机器可读格式，其中视觉编码器提取图像特征，而文本解码器生成表示表格的标记。现有的方法通常使用经典的卷积神经网络（CNN）主干作为视觉编码器，而使用变压器（Transformer）作为文本解码器。然而，这种混合的CNN-Transformer架构引入了一个复杂的视觉编码器，该编码器几乎占用了模型总参数的一半，显著降低了训练和推理的速度，并阻碍了TSR中自监督学习的潜力。在本研究中，我们设计了一种轻量级的视觉编码器用于TSR，同时不牺牲其表达能力。我们发现，一个卷积茎可以匹配经典CNN主干的性能，但模型要简单得多。卷积茎在高性能TSR所需的两个关键因素之间达到了最优平衡：较高的感受野（Receptive Field, RF）比和较长的序列长度。这使得它能够“看到”表格的适当部分，并在后续变压器所需的足够上下文长度内“存储”复杂的表格结构。我们进行了可重复的消融实验，并将代码开源至https://github.com/poloclub/tsr-convstem，以增强透明度、激发创新并促进我们在该领域的公平比较，因为表格是一种有前景的学习表示模态。