微信扫码
与创始人交个朋友
我要投稿
本公众号主要关注NLP、CV、LLM、RAG、Agent等AI前言技术,免费分享业界实战案例与课程,助力您全面拥抱AIGC。
文本识别
关键信息提取
表格识别
作者采用基于文本中心点的连贯输入和输出模式,在两个阶段,将同一文本划分为三个部分:
在stage1阶段:
在stage2阶段:
多边形区域序列化(Polygon):定位Structured points,得到文本的多边形区域
文本内容序列化(content):定位Structured points,得到文本内容
通过两阶段、三种序列方式可以有效地压缩原始的长序列。
此外,该框架使用空间和字符导向的窗口提示,增强对文本空间排列和单词语义的理解。
通过上图表格解析任务,我们可以知道omniparser的OCR解析流程。
首先,对图片进行编码(image encoder)
然后,在stage1,利用视觉模型对表格、文本内容、重要信息进行中心点定位
接着,在stage2,将定位的区域,经过区域解码(region decoder),得到polygon Sequence
同时,在stage2, 将定位的重要信息,进行文本内容序列化解码(content decoder),得到文本内容content sequence
最后,综合polygon Sequence和content sequence二者的信息,生成文本的定位信息(text spotting)、表格的序列信息(table recognition)和重要信息(key information extraction)
53AI,企业落地应用大模型首选服务商
产品:大模型应用平台+智能体定制开发+落地咨询服务
承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业
2024-12-21
Gemini 2.0 Flash Thinking:谷歌推出实验性多模态推理模型,在快速生成的同时展示详细的思考过程
2024-12-20
快手可灵1.6正式上线,他们又一次超越了自己。
2024-12-19
GPT-4o掀起全模态热潮!一文梳理全模态大模型最新研究进展
2024-12-19
国家电网发布国内首个千亿级多模态电力行业大模型
2024-12-19
初创公司 Odyssey 推出 AI 工具 Explorer了
2024-12-19
利用 Gemini 构建 PDF 文档 AI 管道:原理、实现与应用(含代码)
2024-12-18
一手实测豆包新发布的视觉理解大模型,他们真的卷起飞了。
2024-12-18
百度飞桨:多模态大模型技术进展与产业应用实践
2024-09-12
2024-05-30
2024-06-17
2024-08-06
2024-08-30
2024-06-14
2024-04-21
2024-06-26
2024-07-21
2024-07-07