如何提升智能文檔處理識(shí)別精度？合合信息“版面分析”實(shí)現(xiàn)新突破

　　春季是繁忙的播種季，學(xué)生黨迎來(lái)了開(kāi)學(xué)季和緊張的研究生復(fù)試，職場(chǎng)人士也需要處理新簽業(yè)務(wù)帶來(lái)的大量不同類型的文件，比如合同、發(fā)票、檔案等。這些文件在被拍照、掃描成電子文檔的過(guò)程中，時(shí)常存在漏字、錯(cuò)位現(xiàn)象。究其原因，有個(gè)看似“冷門”卻關(guān)鍵的技術(shù)點(diǎn)極大地影響了文字識(shí)別效果，這個(gè)技術(shù)便是“版面分析”。

　　近期，人工智能及大數(shù)據(jù)科技企業(yè)合合信息持續(xù)突破版面分析技術(shù)在版面分割、區(qū)域間的邏輯關(guān)系處理等方面的難題，通過(guò)智能文字識(shí)別、智能圖像處理等核心技術(shù)，助力使用者從各類復(fù)雜的圖片文檔中精準(zhǔn)獲取信息。

　　深度學(xué)習(xí)助力版面分析“泛化”難題突破

　　版面分析的目的是讓機(jī)器“看懂”文檔結(jié)構(gòu)，即將文檔圖像分割成不同類型內(nèi)容的區(qū)域，并分析區(qū)域之間的關(guān)系，這是內(nèi)容識(shí)別之前的關(guān)鍵步驟。

　　據(jù)中國(guó)科學(xué)院自動(dòng)化研究所多模態(tài)人工智能系統(tǒng)全國(guó)重點(diǎn)實(shí)驗(yàn)室聯(lián)合多所高校發(fā)布的論文顯示，版面分析主要包括物理版面分析(區(qū)域分割、分類，文本檢測(cè)與定位，文本行分割等)，手寫及印刷區(qū)分，表格分析(單元格提取與關(guān)系分析)，邏輯版面分析(區(qū)域語(yǔ)義分類、閱讀順序)，以及簽名、圖標(biāo)、印章等版面元素的提取等。

　　總體而言，版面分析任務(wù)被分為物理版面分析(或稱為幾何版面分析)和邏輯版面分析兩類，前者主要解決區(qū)域分割問(wèn)題，后者則關(guān)注區(qū)域之間的邏輯關(guān)系或閱讀順序。

　　從上世紀(jì)80年代開(kāi)始，較多專門研究版面分析的工作成果開(kāi)始涌現(xiàn)，此后經(jīng)歷了多番理念方法迭代。傳統(tǒng)的版面分析方法在進(jìn)行版面布局分析和表格處理時(shí)會(huì)明顯受制于版式差異，在應(yīng)對(duì)不同場(chǎng)景下的文檔圖片時(shí)泛化效果存在缺陷，而深度神經(jīng)網(wǎng)絡(luò)的引入有效解決了這些問(wèn)題。

　　合合信息技術(shù)人員在采訪中提到，得益于全卷積神經(jīng)網(wǎng)絡(luò)(FCN)和圖神經(jīng)網(wǎng)絡(luò)(GNN) 的突破，文檔版面分析的方法和性能得到了很大發(fā)展。公司基于深度學(xué)習(xí)的方法，結(jié)合文本區(qū)域的幾何坐標(biāo)、視覺(jué)特征、文本語(yǔ)義等多種模態(tài)信息對(duì)文本閱讀順序進(jìn)行預(yù)測(cè)，顯著提升分類結(jié)果。

　　合合信息智能文字識(shí)別服務(wù)平臺(tái)對(duì)存在圖片、表格的復(fù)雜文檔進(jìn)行識(shí)別

　　同時(shí)，合合信息表格結(jié)構(gòu)解析方法在邏輯版面分析中也發(fā)揮了重要作用，主要包括自上而下的方法、自下而上的方法以及端到端圖像到標(biāo)記的方法等。在財(cái)報(bào)相關(guān)表格識(shí)別測(cè)試中，有線表識(shí)別單元格結(jié)構(gòu)準(zhǔn)確率高于98%;無(wú)線表識(shí)別中，在保證表格區(qū)域內(nèi)容的完整性的同時(shí)，檢測(cè)準(zhǔn)確率較傳統(tǒng)方法顯著提升。

　　教育、商務(wù)、文保，“小”技術(shù)有大應(yīng)用

　　近期，中共中央、國(guó)務(wù)院印發(fā)《數(shù)字中國(guó)建設(shè)整體布局規(guī)劃》，“數(shù)字中國(guó)”的建設(shè)邁上了新的征程。版面分析是實(shí)現(xiàn)文檔信息數(shù)字化的重要能力，解決了版面分析的痛點(diǎn)，有助于各界用戶將圖像文檔以數(shù)字化的手段更精準(zhǔn)地轉(zhuǎn)化為文檔數(shù)據(jù)，提升工作效率。

　　對(duì)于研究人員或?qū)W生群體而言，版面分析與OCR技術(shù)的結(jié)合可以廣泛應(yīng)用于課件、試卷、作業(yè)、學(xué)術(shù)論文等材料的數(shù)字化處理，自動(dòng)識(shí)別和提取多種教育類文檔文本、圖像、公式、表格等元素進(jìn)行不同場(chǎng)景的應(yīng)用，簡(jiǎn)化教學(xué)和學(xué)習(xí)過(guò)程。

　　商務(wù)場(chǎng)景中，版面分析與OCR技術(shù)能自動(dòng)識(shí)別和提取財(cái)務(wù)數(shù)據(jù)、圖表、文本等信息，并將印刷財(cái)報(bào)轉(zhuǎn)換為可分析的電子數(shù)據(jù)，在處理不同類型的財(cái)務(wù)報(bào)表時(shí)，能夠提升報(bào)告分析效率和準(zhǔn)確性，幫助相關(guān)人員實(shí)現(xiàn)公司財(cái)務(wù)報(bào)告、審計(jì)報(bào)告、年度報(bào)告等文件的自動(dòng)處理和分析。

　　合合信息智能文字識(shí)別服務(wù)平臺(tái)對(duì)財(cái)務(wù)文件進(jìn)行處理

　　此外，版面分析相關(guān)技術(shù)還可作用于文化保護(hù)，通過(guò)自動(dòng)識(shí)別和提取各種類型書籍的表格、圖像信息，將不同時(shí)代、多種印刷版式、多種概念的紙質(zhì)圖樣按照符合人類理解的格式進(jìn)行電子化存儲(chǔ)，幫助實(shí)現(xiàn)文獻(xiàn)、古籍、報(bào)紙、雜志等資料的數(shù)字化和知識(shí)管理。

　　相關(guān)研究表明，現(xiàn)階段，針對(duì)復(fù)雜版面文檔和拍照變形文檔的分析識(shí)別仍存在性能不足的情況。這個(gè)細(xì)小卻重要的技術(shù)還需要更多的研究機(jī)構(gòu)及科技企業(yè)加入進(jìn)來(lái)，共同推動(dòng)理論的研究與應(yīng)用的突破。