文档解析之表格结构预测获奖方案及开源数据集总结

摘要：最近在做这方面工作，看到一个表格结构预测竞赛，https://www.bilibili.com/video/BV1nb4y1T7kr?vd_source=d670de3e996c9a3b795a0e40e028adeb&spm_id_from=333.788.

文章转自公众号老刘说NLP

今天来看看表格结构预测，表格结构识别任务要求预测表格的行列信息和单元格的合并情况，同时确定每个单元格的坐标框。

最近在做这方面工作，看到一个表格结构预测竞赛，https://www.bilibili.com/video/BV1nb4y1T7kr?vd_source=d670de3e996c9a3b795a0e40e028adeb&spm_id_from=333.788.player.switch&p=3，里面有些方案还是蛮有趣的，三个方案，其中有两个都采用有线表跟无线表路由、分而治之的思路。

而这些方案，很多都是依赖于数据，所以我们也来看看数据的问题，目前有哪些表格结构的数据可用。

仔细读，会有收获，供大家一起参考。

一、方案思路回顾

这篇文章(https://www.modb.pro/db/1736927623426154496)对比赛思路做了总结，大家可以看看。

方案1的思路：将问题转化为一个图像生成任务，使用CNN和Transformer结合的模型结构。生成的序列包括文本序列（描述表格的行列信息）和坐标框序列（用于记录单元格的坐标）。进行数据清洗，使用了额外的公共表格数据进行预训练，以及采用了数据增强策略；

在优化过程中，采用ConverLess网络搭配六层串行Transformer的结构效果最佳。使用了多个checkpoint进行推理，并对预测结果进行集成。最后，对模型的预测结果进行后处理，解决了一些不合法的表格预测问题。

方案2的思路：采用一个类型判断模块，将表格分为有线表和无线表进行单独处理，使用一个backbone和池化层，通过得到的分数将表格划分为两类。

对于无线表，采用Image to Sequence方法进行预测，得到HTML序列和文本框坐标；对于有线表，使用框点to Sequence方法进行预测，通过关键点检测获取单元格顶点；对于无线表，采用Transformer decoder结构，包含HTML序列和文本框坐标两个分支，在PubTimeNet和TypeRECSet数据集上进行数据增广，包括多尺度、trigger等，并考虑多尺度的模型集成策略；对于有线表，使用HRNet进行表格顶点检测，从而得到单元格的顶点，HRNet保持高分辨率，适用于密集点表格点检测任务。对于检测到的顶点，进行后处理，包括点的分类（左上角、右下角、交叉点、其他点）以及结构化的输出。

方案3的思路：首先对输入的表格图片进行分类，将其分为有线表格和无线表格两类。如果是有线表格，采用单元格检测网络，用于检测每个单元格的真实位置。对于有线表格结构生成，因为这类表格一般是横平竖直的，所以采用了一个四点检测网络，通过检测单元格的四个角点来推测表格的轮廓。接着利用检测到的轮廓进行表格的矫正，以获得规整的表格结构。矫正过程包括单元格检测、脚点推测、轮廓估算和TPL矫正；对于无线表格，由于其形变和缺少明显线条，使用了阿里开源的LORE模块，该模块通过端到端学习，可以自动预测表格中每个单元格的位置、行列号。

二、现有表格结构数据数据集

根据项目：https://github.com/FutureRising007/Table_Structure_Recognition，这个地址，现有表格结构数据数据集至少包括TableBank、SciTSR、PubTabNet、FinTabNet、PubTables-1M、WTW、TNCR、TAL_OCR_TABLE等工作，做的一个对比如下：

其中：

1、TableBank，英文，TableBank是一个新的基于图像的表格检测和识别数据集，由互联网上的Word和LaTeX文档提供的新型弱监督构建，包含417K高质量标记的表格。它只包含单元格拓扑真值。地址：https://github.com/doc-analysis/TableBank；

2、SciTSR，英文，SciTSR是一个大规模表格结构识别数据集，包含15,000个PDF格式的表格及其从LaTeX源文件获得的相应结构标签。它包含单元格拓扑、单元格内容真值。地址：https://github.com/Academic-Hammer/SciTSR；

3、PubTabNet，英文，PubTabNet是一个大型基于图像的表格识别数据集，包含568k+张表格数据图像，这些图像标注有表格的相应HTML表示。它包含单元格拓扑、单元格内容和非空白单元格位置真值。地址：https://github.com/ibm-aur-nlp/PubTabNet；

4、FinTabNet，英文，该数据集包含来自标准普尔500强公司年报的复杂表格，带有详细的表格结构注释，以帮助训练和测试结构识别。地址：https://developer.ibm.com/exchanges/data/all/fintabnet/；

5、PubTables-1M，英文，约100w表格的数据集，用于训练和评估各种模型的表格检测、表格结构识别和功能分析任务。地址：https://github.com/microsoft/table-transformer；

6、WTW，英文和中文，WTW-Dataset是第一个用于表格检测和表格结构识别任务的野外表格数据集，由拍照、扫描和网页构建，涵盖了7个挑战案例，如：(1)倾斜的表格，(2)弯曲的表格，(3)被遮挡的表格或模糊的表格(4)宽高比极端的表格(5)叠加的表格，(6)多色表格和(7)表格结构识别中的不规则表格。它包含单元格拓扑和所有单元格位置真值。地址：https://github.com/wangwen-whu/wtw-dataset

7、TNCR，英文一个新的表格数据集，从不同开放获取网站收集的图像质量各不相同。TNCR包含9428个标记的表格，大约有6621张图像。它们被分类为5个不同的类别（全线条、合并单元格、无线条、部分线条、部分线条合并单元格）。地址：https://github.com/abdoelsayed2016/TNCR_Dataset

8、TAL_OCR_TABLE，中文，TAL_OCR_TABLE数据集来自TAL表单识别技术挑战赛。数据来自教育场景中学生真实的作业和试卷场景。它包含16k训练图像和4k测试图像它包含单元格拓扑、单元格内容和所有单元格位置真值。地址：https://www.heywhale.com/home/competition/606d6fff0e04ac0017c3bf7f/content/1