深兰科技摘得“图表信息提取竞赛”总成绩的冠军

AI世界

    在日前结束的第25届国际模式识别会议(ICPR2020)上,深兰科技DeepBlueAI团队同台竞技联想、华南理工、合合等队伍,摘得“图表信息提取竞赛”总成绩的冠军。
    该竞赛由6个赛道7个子任务组成,其中赛道6有两个子任务,每个子任务又分Adobe Synth、UB PMC两个数据集。7个子任务按照数据集单独计分,最终按照总分进行排名。最终,DeepBlueAI团队拿下4个赛道冠军,以总分35分拿到总成绩第一名。
    
    ICPR2020图表信息提取
    竞赛冠军方案
    该比赛各任务涵盖图表分类、案例分析、图元素提取等,数据类别存在着分布极为不均衡的问题。
    7个赛道分别为:赛道一,图表分类;赛道二,检测并识别图表中的文字区域;赛道三,识别图表图像中文本功能/角色;赛道四,对坐标轴上刻度点进行检测并与刻度标签文本框关联;赛道五,关联图例标签文本与图例样式元素;赛道六,第一个子任务对图表元素进行检测与分类,第二个子任务提取用于生成图表图像的原始数据。
    下面对比较有竞争力的三、四、五、六赛道的解决方案进行技术分享。
    
    赛道三
    赛道三以文本位置和文本内容为输入,识别图表图像中每个文本的角色,6个类别如图所示。我们的方法包括两个步骤:特征提取和分类器分类。使用文本属性来定义特征向量,使用的分类器是Random Forest [1]和LightGBM [2]。
    
    特征由文本框属性和文本内容组成,这些特征可分为三组。第一组包含框的长宽比、文本是否为数字、文本是否为多行、文本角度、文本长度和图表类型。第二组包括文本框的三种相对位置信息,也就是相对于全局边框、原点和图例的位置。第三组包含水平/垂直对齐文本框的数量和对齐文本框的水平/垂直范围,判断框是否对齐时,分别使用文本框的中心点、左上角和右下角。
    使用随机森林和LightGBM对文本角色进行分类。随机森林的一个优点是在缺少特征的情况下仍然具有良好的性能,LightGBM具有训练效率高、精度高等优点。在训练模型时,每个类别的损失权重与输入数据的频率成反比。
    
    
    
    1  2  下一页>