概述
它可以结合光学字符识别、布局分析、分类和语言模型。识别文本只是保留文档含义的一部分。
主要要点
- 保留布局和田间出处。
- 提取后验证含义。
- 测试不同的格式和不确定的情况。
深入探讨
确定文件是否已包含可用文本或需要 OCR。扫描可能会引入识别错误，而现有文本图层的阅读顺序仍然可能不正确。表、列、标题和脚注通常需要布局信息才能正确解释。将出处保留在田间或通道层面。页码、边界框和原始文本可帮助审阅者确认提取的值。避免以将数字与其行标签、单位或限定符断开连接的方式展平表格。根据文档和相关关系验证提取的字段。总计可以具有正确的数字类型，但包含错误的小数点。缺失的字段应该保持缺失或明确未知，而不是从合理的模式中填充。评估不同的文档格式、扫描质量、语言和不常见的布局。定义不确定字段如何进行审核以及如何存储更正。通过适当的访问、保留和删除控制（包括任何派生文本和嵌入）来保护私人文档。
04工作示例
保留与其单位相连的号码
构建一个报告表，其中一列标记为“收入，千美元”，行值为 250。
返回 Revenue_usd: 250 的提取会失去规模。如果列标签适用于该行，则解释的金额为 250,000 美元。
保留原始单元格、标题和解释值，以便审阅者可以检查转换。
它显示了什么
这个发明的表格说明了为什么文档结构比字符识别更重要。
现实世界的实施
通过页面引用和算术检查提取发票字段。
准备报告供检索时保留表格标题和脚注。
付诸实践
为什么这很重要
- 速度与规模. 视觉人工智能可以大规模自动化检查、检测和标记任务。
- 构建选择. 创意团队可以通过更少的手动修改更快地构建概念原型。
- 团队与工作流程. 操作可以使用以前难以处理的图像和视频信号。
留意
- 如果出处不明，肖像权和同意可能会成为法律风险。
- 模型性能可能因光照、人口统计和环境的不同而有所不同。
- 除非监控置信阈值，否则误报可能会被忽视。
后续步骤
- 定义精确度、召回率和错误成本的接受标准。
- 使用符合实际生产条件的数据进行测试。
- 为低置信度或高影响力的预测添加人工审核。
- 跟踪模型漂移并在相机或数据集更改后重新验证。
资料来源与延伸阅读
- Google Cloud文档布局解析
不断探索
常见问题
OCR 足以理解表格吗？
并非总是如此。正确的字符仍然可能与错误的行、列、单位或脚注相关联。布局和关系检查是必要的。