Loss Compensation Faster R-CNN을 이용한 문서 이미지 내 표 검출 정확도 향상

경민영; 이현빈

doi:10.5573/ieie.2021.58.6.61

주제분류

...

저널정보

대한전자공학회
전자공학회논문지 학술저널
전자공학회논문지 제58권 제6호(통권 제523호)
2021.6 61 - 70 (10page)
DOI : 10.5573/ieie.2021.58.6.61

저자정보

경민영 (한밭대학교)
이현빈 (한밭대학교)

이용수
내서재: 2

내서재에 추가
되었습니다. 내서재에서
삭제되었습니다.

이 논문의 연구 히스토리 (2)

2021

Loss Compensation Faster R-CNN을 이용한 문서 이미지 내 표 검출 정확도 향상

경민영 , 이현빈 전자공학회논문지 2021.06 학술저널

문서 이미지 내 표 검출 정확도 향상을 위한 Loss Compensation 학습

경민영 컴퓨터공학과 2021 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록·키워드

오류제보하기

표 검출은 문서 분석을 위하여 필수적이지만, 표의 종류와 형태가 다양하기 때문에 자동으로 검출하는 것은 매우 어렵다. 최근 대량의 표 데이터 구축과 딥러닝 기법을 통해 표 검출 성능이 크게 향상되었지만, 그래프나 그림을 표로 잘못 인식하는 문제는 여전히 남아있다. 이러한 표 오검출 문제가 발생하는 이유는 모델이 추출한 표 영역의 특징 벡터에 다른 객체의 특징벡터가 일부 포함되기 때문이며, 본 논문에서는 이와 같은 공통적인 특징 벡터를 제거하기 위해 손실 보상 기반의 학습 기법을 수행한다. 적절한 손실 값을 추가하기 위해 표 영역과 배경 영역을 도메인으로 정의하고 두 도메인을 분류하는 손실 보상모듈을 제안하며, 해당 모듈을 Faster R-CNN에 추가하여 표 영역이 가지는 고유한 특징을 추출할 수 있도록 개발하였다. 실험을 통해 제안하는 방식이 별도의 학습 데이터 추가 없이 표 오검출율을 크게 낮출 수 있음을 증명하였고, 그 결과 Faster R-CNN과 비교하여 향상된 표 검출 성능을 확인하였다.

Table detection is an important task in document analysis as tables often present essential information in a structured way. But it is difficult to automatically detect tables because their layouts and formats vary. Recently, large amounts of table information and deep learning models have significantly improved table detection performance. However, mis-detection errors which recognize graphs or figures as tables still exist. These errors occur because feature vectors for the table area, extracted by the model, include some feature vectors of the other objects. To reduce these shared feature vectors, we make use of Loss Compensation Training. In this work, we propose a Loss Compensation Module, which defines table and background areas as domains and classifies the two domains, and add our approach to Faster R-CNN so that the intrinsic characteristics of the table can be extracted. Our experimental results demonstrate that the approach significantly reduces the table mis-detections without additional labels for the other objects and improves the performance of table detection compared with Faster R-CNN.

#Table Detection #Deep Learning #Faster R-CNN #Loss Compensation Training