PubMed, Chn

本研究建立了跨领域文档对象检测的基准套件，包含不同类型的PDF文档数据集，如PubMed和Chn。PubMed数据集是从医学期刊文章中提取的，包含超过360万对象实例的标注，涵盖文本、标题、列表、表格和图形等5个类别。Chn数据集是通过爬取中文维基百科页面并转换成带有边界框标注的PDF文件生成的，其布局和样式参数根据真实文档统计随机抽样。这些数据集不仅提供了页面图像和边界框标注，还包括原始PDF文件和PDF渲染层，用于模型训练和评估。数据集的应用领域主要集中在智能文档编辑和理解，旨在解决文档对象在布局、大小、宽高比、纹理等方面的显著变化问题。