DocVQA

文档视觉问答 (DocVQA) 旨在激发文档分析和识别研究中的 “目的驱动” 观点，其中文档内容被提取并用于响应由此信息的人类消费者定义的高级任务。为此，我们组织了一系列挑战并发布数据集，以使机器能够 “理解” 文档图像，从而回答有关它们的问题。 数据集中有50 k个问题和12k个图像。图像是从UCSF行业文档库中收集的。问题和答案是手动注释的。Document Visual Question Answering (DocVQA) aims to inspire a "purpose-driven" perspective in document analysis and recognition research, where document content is extracted and utilized to address high-level tasks defined by human consumers of such information. To this end, we have organized a series of challenges and released the dataset to enable machines to "understand" document images and thus answer questions about them. The dataset contains 50,000 questions and 12,000 images. The images were collected from the UCSF Industry Document Library. The questions and answers were manually annotated.

搜集汇总

背景与挑战

背景概述

DocVQA是一个文档视觉问答数据集，旨在通过提取文档图像内容来回答人类定义的高级问题，以促进文档分析和识别研究。该数据集包含50,000个问题和12,000张图像，图像来自UCSF行业文档库，问题和答案均为手动注释。数据集由海得拉巴国际信息技术研究所于2021年发布，专注于激发目的驱动的文档理解任务。