DocBank

DocBank是由微软亚洲研究院创建的一个大规模文档布局分析数据集，包含500,000个文档页，具有细粒度的token级标注。该数据集通过弱监督方法从arXiv.com上的LATEX文档构建，支持自然语言处理和计算机视觉模型的公平比较。DocBank旨在解决文档布局分析中视觉和文本信息整合的问题，通过提供高质量的标注数据，推动多模态方法的发展，从而提升文档布局分析的性能。