基于paddleocr的文档识别

前处理：

DocTr: Document Image Transformer for Geometric Unwarping and Illumination Correction

（1）几何矫正

给定一张存在几何和光照畸变的文档图像，我们首先用一个包含六个卷积模块的特征提取器对其进行特征提取，并降低特征图分辨率至输入图像的1/8尺度，以保证网络的推理效率。然后，我们将提取的特征图展平后，输入至Transformer编码器，解码器，以及我们设计的可学习的上采样模块，得到坐标位移矩阵。最后，我们用对坐标位移矩阵对输入的图像进行几何矫正（即基于双线性插值的在输入图像上按坐标进行像素重采样）。

（2）光照恢复

给定一张几何矫正输出的高分辨率图像，我们首先将其切分成相互之间有1/8重叠的图像块。然后，我们将每一个图像块输入至卷积特征提取器，Transformer编码器，解码器，以及卷积输出头，从而输出光照恢复的图像块。最后，我们将每一个恢复的图像块进行空间上的拼接，完成文档图像的光照恢复。

 

1、版面分析

使用轻量模型PP-PicoDet检测模型实现版面各种类别的检测。

数据集：

英文：publaynet数据集的训练集合中包含35万张图像，验证集合中包含1.1万张图像。总共包含5个类别。

中文：CDLA据集的训练集合中包含5000张图像，验证集合中包含1000张图像

2、文本分析

文本检测：改进了基于分割的DBNet (Differentiable Binarization)

数据集：ICDAR 2015 数据集包含1000张训练图像和500张测试图像。

文本识别：SVTR_LCNet（将基于Transformer的SVTR网络和轻量级CNN网络PP-LCNet 融合的一种轻量级文本识别网络）

数据集：

 ​

 3、表格

1. 文字检测模型：用于检测表格里的文本

2. 文字识别模型：用于对检测到的文本进行识别

3. SLANet模型用于预测表格结构的HTML信息和表格单元格坐标

数据集：

PubTabNet数据集的训练集合中包含50万张图像，验证集合中包含0.9万张图像

好未来表格识别竞赛数据集的训练集合中包含1.6万张图像。验证集未给出可训练的标注。

参考来源： GitHub - PaddlePaddle/PaddleOCRhttps://github.com/PaddlePaddle/PaddleOCR