基于改进结构与位置对齐网络的表结构识别法

针对现有表格结构检测方法运算量大，表格结构识别准确率低的问题，提出了一种改进的表格结构识别方法。该方法优化了结构与位置对齐网络，提出在一个轻量级的CPU卷积神经网络PPLCNet较深层增加残差连接，加强网络的学习能力；在特征提取和特征融合之间引入卷积块注意力模块(convolutional block attention module, CBAM)机制，同时从通道和空间维度加强模型对目标对象的定位能力；在Head部分采用卷积层替代全连接层，实现权重共享，用来降低模型的计算量；此外，还采用Smooth L1损失函数，通过回归表格四顶点坐标，避免图像畸变对于模型性能的影响；为了验证算法的性能，采用PubTabNet数据集进行测试，结果表明所提方法的准确率(Acc)达到71.58%,基于树编辑距离的相似度(tree-editdistance-based similarity, TEDS)达到94.47%;相比较于改进前模型精度提升了2.76%,TEDS提升了0.79%,模型综合性能更优。