ds4sd/PubTables-1M_OTSL
收藏资源简介：
PubTables-1M-OTSL数据集用于评估对象检测模型和图像到文本的方法。该数据集基于PubTables-1M，并添加了OTSL（优化表格结构语言）格式。数据集包含原始注释和新添加的内容，结构包括单元格、表格边界框、OTSL格式、HTML格式等。OTSL是一种新的简化表格结构标记格式，包含特定的标记如fcel、ecel等。数据集分为训练、验证和测试三个部分。数据集由IBM Research的Deep Search团队转换。
PubTables-1M-OTSL数据集用于评估对象检测模型和图像到文本的方法。该数据集基于PubTables-1M，并添加了OTSL（优化表格结构语言）格式。数据集包含原始注释和新添加的内容，结构包括单元格、表格边界框、OTSL格式、HTML格式等。OTSL是一种新的简化表格结构标记格式，包含特定的标记如fcel、ecel等。数据集分为训练、验证和测试三个部分。数据集由IBM Research的Deep Search团队转换。
数据集卡片 for PubTables-1M_OTSL
数据集描述
数据集概述
该数据集支持对象检测模型和图像到文本方法的评估。PubTables-1M 是在 Smock 等人的论文《PubTables-1M: Towards Comprehensive Table Extraction From Unstructured Documents》中引入的。该数据集包括原始注释以及新的 OTSL（优化表结构语言）格式。
数据集结构
cells: 原始数据集单元格标注（内容）。table_bbox: 原始数据集表格检测标注。otsl: 新的简化表结构标记格式。html: 生成的 HTML，以匹配 PubTabNet、FinTabNet 和 SynthTabNet 格式。html_restored: 从 OTSL 生成的 HTML。cols: 网格列长度。rows: 网格行长度。image: PIL 图像。
OTSL 词汇表
OTSL: 新的简化表结构标记格式 更多关于 OTSL 表结构格式及其概念的信息可以从我们的论文中阅读。该数据集的格式扩展了论文中提出的工作，并引入了轻微的修改：
fcel- 包含内容的单元格ecel- 空的单元格lcel- 向左看的单元格（处理水平合并的单元格）ucel- 向上看的单元格（处理垂直合并的单元格）xcel- 2D 跨度单元格，在该数据集中 - 覆盖合并单元格的整个区域nl- 新行标记
数据分割
该数据集提供三个分割：
trainvaltest
附加信息
数据集策展人
该数据集由 IBM Research 的 Deep Search 团队转换。 策展人：
- Maksym Lysak, @maxmnemonic
- Ahmed Nassar, @nassarofficial
- Christoph Auer, @cau-git
- Nikos Livathinos, @nikos-livathinos
- Peter Staar, @PeterStaar-IBM
引用信息
OTSL 论文引用：
@article{lysak2023optimized,
title={Optimized Table Tokenization for Table Structure Recognition},
author={Maksym Lysak and Ahmed Nassar and Nikolaos Livathinos and Christoph Auer and Peter Staar},
year={2023},
eprint={2305.03393},
archivePrefix={arXiv},
primaryClass={cs.CV}
}
PubTables-1M 创建者引用：
@inproceedings{smock2022pubtables,
title={Pub{T}ables-1{M}: Towards comprehensive table extraction from unstructured documents},
author={Smock, Brandon and Pesala, Rohith and Abraham, Robin},
booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
pages={4634-4642},
year={2022},
month={June}
}
