融合边特征与注意力的表格结构识别模型

针对现有方法在表格结构识别问题中存在的先验知识依赖、鲁棒性不足、表达能力不足等问题，提出一种新的融合边特征与注意力的表格结构识别模型——GEAN-TSR。首先，提出图边注意力网络（GEAN）并作为模型的主干网络，在边卷积结构的基础上引入并改进图注意力机制聚合图节点特征，解决图网络在特征提取过程中的信息损失的问题，提高图网络的表达能力；然后，引入边特征融合模块融合浅层图节点信息与图网络输出，增强图网络的局部信息提取能力与表达能力；最后，将门控循环单元（GRU）提取的图节点文本特征融入文本特征融合模块对边进行分类预测。在SciTSR-COMP数据集上的对比实验中，相较于目前最优的模型SEM,GEAN-TSR的召回率与F1值分别提升2.5与1.4个百分点。在消融实验中，GEAN-TSR采用特征融合模块后，所有指标都取得了最优值，验证了模块的有效性。实验结果表明，GEAN-TSR能够有效提升网络性能，更好地完成表格结构识别任务。     

融合语言模型的化验单文字识别矫正研究

针对自然场景下化验单文字识别容易出现混淆的问题，提出一种融合语言模型的自然场景下的化验单文字识别后处理矫正方法。该方法通过引入统计语言模型，对识别区域矩阵进行条件概率统计，预测符合医学词库的最佳识别结果，使用基于融合的编辑距离和最长公共子序列方法进行检验项名称矫正，根据检验项对应关系对其他指标进行矫正。引入该方法的后处理结果与不加后处理的识别结果相比，在医疗化验单的识别任务上，获得了准确率、召回率、F1值不同程度的提高。对比实验表明，该方法能够进一步提高文本框文字的识别精度，为后期化验单解读奠定了基础。