PubTables-1M (PubMed Tables One Million)

PubTables-1M 的目标是创建一个大型、详细、高质量的数据集，用于训练和评估用于表格检测、表格结构识别和功能分析任务的各种模型。它包含：460,589 个带注释的文档页面，其中包含用于表格检测的表格。 947,642 个完整注释的表格，包括文本内容和完整的位置（边界框）信息，用于表格结构识别和功能分析。所有表格行、列和单元格（包括空白单元格）以及其他注释结构（例如列标题和投影行标题）的图像和 PDF 坐标中的完整边界框。所有表格和页面的渲染图像。每个表格和页面图像中出现的所有单词的边界框和文本。当前模型训练中未使用的其他单元格属性。此外，标题中的单元格被规范化，我们实施了多个质量控制步骤，以确保注释尽可能没有噪音。有关详细信息，请参阅我们的论文。