超越OCR的富文档内容解析神器LayoutParser

2023-03-09

ChatGPT

上篇介绍了百度ERNIE-Layout，其中关键部分就使用了LayoutParser工具，感兴趣的也可以先阅读：文档智能之ERNIE-Layout

论文题目：《A unified toolkit for Deep Learning Based Document Image Analysis》

论文链接：https://arxiv.org/abs/2103.15348

论文官方网站：https://layout-parser.github.io/

论文开源项目：https://github.com/Layout-Parser/layout-parser

上图是来自一篇论文，从图中可以看出结构是非常复杂的，既有图片，又有文本，而且文本还是两列形式，传统的OCR是按行进行识别的，识别结果可想而知是混乱的，而本文提出的LayoutParser是借助于目标检测模型来提取重要的内容patch，从而避免了两列内容按行扫描的混乱结果。BUT，LayoutParser的贡献不仅如此，下面来解密一下吧

LayoutParser核心贡献：

提供了基于深度学习模型的layout检测、字符识别以及其他document image analysis (DIA) 任务的toolkit工具包；
支持非常丰富的预训练模型；
支持文本图像数据的标注以及模型的客户化；
可以分享和贡献模型的社区；

LayoutParser架构图：

主要包括五个组件，分别是：layout detection models、layout data structures、OCR module、visualization and storage和layout data annotation and model training。

Layout detection models

Layout Detection模块主要是对文档图片进行目标检测识别，比如使用Faster R-CNN、Mask R-CNN。LayoutParser是基于Detectron2提供最小的接口，下面是调用的示例代码：

import layoutparser as lp
image = cv2. imread (" image_file ") # load images
model = lp. Detectron2LayoutModel ("lp :// PubLayNet / faster_rcnn_R_50_FPN_3x / config ")
layout = model . detect ( image )

模型与数据集有适配问题，加载模型的格式应该采用如下格式：lp:///

目前已经预支持9个预训练模型和5个数据集（注意：如果不满足需求，可以上传用户自定义模型），如下表所示：

Layout data structures

LayoutParser还提供了三种不同粒度的Layout数据类型，分别是：Coordinate、TextBlock和Layout，他们的关系如下图所示：

Coordinate是Layout的基本数据类型，支持三种类型，分别是：Interval、Rectangle和Quadrilateral。Interval和Rectangle分别使用2、4个参数来定位1D和2D区域；Quadrilateral支持一些复杂的区域提取，参数有4个顶点和8个自由度；

TextBlock存储每个Layout的位置和其他特性，通过指定parent字段可以指定Layout的阅读顺序；

Layout包括TextBlock的列表，也支持处理一个batch的数据，Layout同样可以嵌套使用。

以上三种Layout数据类型支持的运算操作如下表所示：

OCR module

LayoutParser为常见的OCR工具提供了统一的接口，示例代码如下：

ocr_agent = lp.TesseractAgent()
# Can be easily switched to other OCR software
tokens = ocr_agent.detect(image)

Visualization and storage

LayoutParser支持导出json、CSV以及XML数据格式；支持导入模型训练的COCO、网页数据。当然也可以实时看到OCR的识别结果，如下图所示：

Layout data annotation and model training

LayoutParser集成了主动学习工具，用户只需要标注图像中的部分目标，其他目标就会自动被标注，可以大大减少用户的标注时间

个人使用感受：在一些结构复杂的文本图像上提取效果比使用OCR工具要好很多。