.png){kind=icon}
返回
Deep learning based visually rich document content understanding: a survey
.png){kind=icon}
OA
AI
DOI：10.1007/s10462-025-11477-3.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
视觉丰富文档（VRDs）在学术、金融、医疗保健和市场营销等领域发挥着关键作用，因为它们通过文本、布局和视觉元素的组合来传达信息。从VRDs中提取信息的传统方法高度依赖专家知识和手动标注，导致其劳动密集且效率低下。深度学习的最新进展通过启用多模态模型改变了这一格局，这些模型通过预训练整合视觉、语言和布局特征，显著提高了信息提取性能。本文综述了基于深度学习的VRD内容理解框架。我们根据建模策略和下游任务对现有方法进行分类，并对关键组件（包括特征表示、融合技术、模型架构和预训练目标）进行了比较分析。此外，我们突出了每种方法的优缺点，并讨论了它们在不同应用中的适用性。论文最后讨论了当前挑战和新兴趋势，为未来研究和实际场景中的部署提供了指导。
Keyword:
Visually rich document
Deep learning
Multimodal learning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
13.9
论文数:
6.1K
被引数:
1.9W
机构
引用论文
DocTr: Document Transformer for Structured Information Extraction in Documents用于文档中结构化信息提取的文档转换器
OAAI
OAAI分享收藏LayoutLM: Pre-training of Text and Layout for Document Image UnderstandingLayoutLM: 用于文档图像理解的文本和布局的预培训.png)
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningOAAI
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏
查看更多内容