中心点引导融合的双分支表格结构识别方法OA
表格结构的复杂性和类型多样性导致表格识别在复杂布局下感知能力不足,使得表格行列线分割不完整,同时表格的合并极其依赖周围单元格布局,难以有效解决结构歧义,在合并单元格的判定上准确率有限。为了缓解上述问题,本文提出了中心点引导注意力融合的双分支表格结构识别方法。该方法使用增强型双向特征金字塔网络(enhanced bidirectional feature pyramid network,EBFPN),通过空间注意力和通道注意力来强化表格行列分割线和单元格内部上下文关键特征提取。同时设计中心点预测分支来预测表格单元格中心点,将行列线特征与中心点特征融合,在合并解码阶段使用中心点特征来指导空间注意力权重,使其在合并阶段更加关注表格中心,显著提升了跨行跨列表格的合并精度与整个表格结构的识别准确性。在公共数据集SciTSR和SciTSR-COMP上的大量实验表明:本文方法不仅可以提取较为清晰的行列分割线特征,同时中心点的引入提高了跨行跨列表格的合并准确率,与SEM方法相比,本文方法在上述2个公共数据集上的F1分数值分别提高了0.77百分点和0.61百分点,实验证明了本文方法的有效性。
王西汉;李柔;高全力
西安工程大学计算机科学学院,陕西西安710600西安工程大学计算机科学学院,陕西西安710600西安工程大学网络安全学院,陕西西安710600
信息技术与安全科学
表格结构识别增强型双向特征金字塔网络(EBFPN)行列分割中心点预测空间注意力引导
《西安工程大学学报》 2026 (4)
P.89-98,10
陕西省科技厅项目(2024JC-YBMS-531)。
评论