科大訊飛ICDAR 2023收獲四項(xiàng)冠軍，圖文識(shí)別理解能力持續(xù)進(jìn)階

作為文檔圖像分析識(shí)別領(lǐng)域最重要的國(guó)際會(huì)議之一，國(guó)際文檔分析與識(shí)別會(huì)議ICDAR 2023（International Conference on Document Analysis and Recognition）近期傳來(lái)好消息： ? 科大訊飛研究院與中科大語(yǔ)音及語(yǔ)言信息處理國(guó)家工程研究中心（以下簡(jiǎn)稱研究中心）在多行公式識(shí)別、文檔信息定位與提取、結(jié)構(gòu)化文本信息抽取三項(xiàng)比賽中獲得四個(gè)冠軍！? ? ?

MLHME之冠： 首個(gè)“多行書寫”挑戰(zhàn)賽，復(fù)雜度再突破 ? MLHME（多行公式識(shí)別比賽）考查輸入包含手寫數(shù)學(xué)公式的圖像后，算法輸出對(duì)應(yīng)LaTex字符串正確率。值得一提的是，相比此前數(shù)學(xué)公式識(shí)別賽事，此次比賽業(yè)內(nèi)首次將“多行書寫”設(shè)為主要挑戰(zhàn)對(duì)象，且不同于之前識(shí)別掃描、在線手寫的公式，本次以識(shí)別拍照的手寫多行公式為主。 ? 最終，科大訊飛研究院圖文識(shí)別團(tuán)隊(duì)以67.9%的成績(jī)拿下冠軍，并在主要評(píng)價(jià)指標(biāo)——公式召回率（Expression Recall，即統(tǒng)計(jì)識(shí)別正確的樣本數(shù)占總測(cè)試樣本數(shù)的比例）上大幅超越其他參賽團(tuán)隊(duì)。 ?

公式召回率與榜單中Submit Results相對(duì)應(yīng) ? 針對(duì)比賽中出現(xiàn)的多行公式結(jié)構(gòu)復(fù)雜問(wèn)題，團(tuán)隊(duì)使用大卷積核的Conv2former作為編碼器結(jié)構(gòu)，擴(kuò)大了模型的視野，更好地捕捉多行公式的結(jié)構(gòu)特征；創(chuàng)新性提出基于transformer的結(jié)構(gòu)化序列解碼器SSD，顯式對(duì)多行公式內(nèi)部的層次關(guān)系做了精細(xì)化建模，極大提升了復(fù)雜結(jié)構(gòu)的泛化性，更好地建模了結(jié)構(gòu)化語(yǔ)義。 ?

?

多行公式結(jié)構(gòu)復(fù)雜，圖片質(zhì)量不高、批改干擾 ? 針對(duì)圖片質(zhì)量問(wèn)題所引起的字符歧義問(wèn)題，團(tuán)隊(duì)創(chuàng)新性提出了語(yǔ)義增強(qiáng)的解碼器訓(xùn)練算法，通過(guò)語(yǔ)義和視覺的聯(lián)合訓(xùn)練，讓解碼器具備內(nèi)在的領(lǐng)域知識(shí)。當(dāng)字符難以辨認(rèn)時(shí)，模型能夠自適應(yīng)利用領(lǐng)域知識(shí)做出推理，給出最合理的識(shí)別結(jié)果。 ? 針對(duì)字符尺寸變化大的問(wèn)題，團(tuán)隊(duì)提出了一種自適應(yīng)字符尺度估計(jì)算法和多尺度融合解碼策略，極大提升了模型對(duì)字符大小變化的魯棒性。 ? ?

DocILE之冠：“行里挑一” 文檔信息定位與提取比賽雙賽道登頂榜首 ? DocILE（文檔信息定位與提取比賽）評(píng)估機(jī)器學(xué)習(xí)方法在半結(jié)構(gòu)化的商業(yè)文檔中，對(duì)關(guān)鍵信息定位、提取和行項(xiàng)識(shí)別的性能。該賽事分為KILE和LIR兩個(gè)賽道任務(wù)，訊飛與研究中心最終收獲雙賽道冠軍。 ?

KILE賽道榜單和LIR賽道榜單雙第一

此次賽事，文檔中待抽取的信息種類非常繁雜。面對(duì)挑戰(zhàn)，聯(lián)合團(tuán)隊(duì)在算法層面提出了兩項(xiàng)技術(shù)創(chuàng)新方案： ? 預(yù)訓(xùn)練階段設(shè)計(jì)了基于OCR質(zhì)量的文檔過(guò)濾器，從主辦方提供的無(wú)標(biāo)注文檔中提取出274萬(wàn)頁(yè)的文檔圖像，隨后通過(guò)預(yù)訓(xùn)練語(yǔ)言模型獲取文檔中各文本行的語(yǔ)義表征，并采用掩碼語(yǔ)句表征恢復(fù)任務(wù)進(jìn)行不同Top-K（GraphDoc模型中關(guān)于文檔的注意力范圍的一個(gè)超參數(shù)）配置下的預(yù)訓(xùn)練。 ?

? 在數(shù)據(jù)集微調(diào)階段，團(tuán)隊(duì)使用了預(yù)訓(xùn)練后的GraphDoc提取文本框的多模態(tài)表征，并進(jìn)行分類操作。在分類結(jié)果的基礎(chǔ)上，將多模態(tài)表征送入低層注意力融合模塊進(jìn)行實(shí)例的聚合，在實(shí)例聚集的基礎(chǔ)上，使用高層注意力融合模塊實(shí)現(xiàn)行項(xiàng)實(shí)例的聚集，所提出的注意力融合模塊結(jié)構(gòu)相同、但彼此不共享參數(shù)，可以同時(shí)用于KILE和LIR任務(wù)且具有很好的效果。 ?

? ?

SVRD之冠：零樣本票證結(jié)構(gòu)化信息抽取任務(wù)第一 預(yù)訓(xùn)練模型大考驗(yàn) ? SVRD（結(jié)構(gòu)化文本信息抽?。┍荣惙譃?個(gè)賽道子任務(wù)，訊飛與研究中心在難度頗高的零樣本結(jié)構(gòu)化信息抽取子賽道（Task3：E2E Zero-shot Structured Text Extraction）獲得第一。 ?

榜單排名 ? 零樣本對(duì)預(yù)訓(xùn)練模型能力提出了更高要求。同時(shí)，比賽使用的發(fā)票版式多樣、同一個(gè)要素名稱不同、照片背景干擾、反光、文字重疊等問(wèn)題，進(jìn)一步提升了識(shí)別和抽取難度。 ?

?

不同版式的發(fā)票以及條紋背景干擾的發(fā)票 ? ? 團(tuán)隊(duì)首先對(duì)要素抽取模型采用復(fù)制-生成雙分支解碼策略，在前端OCR結(jié)果置信度較高的情況下直接復(fù)制OCR結(jié)果，在OCR結(jié)果置信度較低的情況下生成新的預(yù)測(cè)結(jié)果，以此緩解前端OCR模型引入的識(shí)別錯(cuò)誤。 ? 此外，團(tuán)隊(duì)還基于OCR結(jié)果提取句子級(jí)的graphdoc特征作為要素抽取模型輸入，該特征融合了圖像、文本、位置、版面多模態(tài)特征，相比于單模態(tài)的純文本輸入具有更強(qiáng)的特征表示。 ? 在此基礎(chǔ)上，團(tuán)隊(duì)還結(jié)合了UniLM、LiLT、DocPrompt多個(gè)要素抽取模型在不同場(chǎng)景、不同語(yǔ)種上的性能優(yōu)勢(shì)進(jìn)一步提升了最終的要素抽取效果。 ? ?

教育、金融、醫(yī)療等已落地應(yīng)用 ? 科大訊飛在ICDAR 2023數(shù)個(gè)比賽中“多點(diǎn)開花”，既是在圖文識(shí)別理解技術(shù)上的持續(xù)進(jìn)步，也是應(yīng)用落地的不斷擴(kuò)寬。此次奪冠的技術(shù)，也已經(jīng)深入教育、金融、醫(yī)療、智能硬件等領(lǐng)域，賦能多項(xiàng)業(yè)務(wù)與產(chǎn)品。 ? 在教育領(lǐng)域，手寫公式識(shí)別的技術(shù)能力被高頻使用，機(jī)器能給予精準(zhǔn)的識(shí)別、判斷和批改。例如科大訊飛AI學(xué)習(xí)機(jī)中的個(gè)性化精準(zhǔn)學(xué)、AI診斷；老師上課所使用的“訊飛智慧窗”教學(xué)大屏、學(xué)生的個(gè)性化學(xué)習(xí)手冊(cè)等，都已發(fā)揮了很大成效。 ?

? 不久前科大訊飛全球1024開發(fā)者節(jié)上發(fā)布的星火科研助手，三大核心功能之一的論文研讀可實(shí)現(xiàn)智能解讀論文，快速回答相關(guān)問(wèn)題。后續(xù)在高精度公式識(shí)別基礎(chǔ)上進(jìn)階有機(jī)化學(xué)結(jié)構(gòu)式、圖形、圖標(biāo)、流程圖、表格等結(jié)構(gòu)化場(chǎng)景識(shí)別的效果，這項(xiàng)功能也會(huì)更好助力科研工作者提升效率。 ?

? 文檔信息定位與抽取技術(shù)則在金融領(lǐng)域得到了廣泛運(yùn)用，例如合同要素抽取與審核、銀行票據(jù)要素抽取、營(yíng)銷內(nèi)容消保審查等場(chǎng)景，可以實(shí)現(xiàn)文檔或文件的數(shù)據(jù)解析、信息抽取和比對(duì)審核等功能，從而輔助業(yè)務(wù)數(shù)據(jù)的快速錄入、抽取、比對(duì)，實(shí)現(xiàn)審核過(guò)程的降本增效。 ?

? 同樣在今年1024上發(fā)布的個(gè)人AI健康助手——訊飛曉醫(yī)，不僅能掃描檢查單、化驗(yàn)單識(shí)別后給出分析和建議，還可以掃描藥盒后進(jìn)一步主動(dòng)詢問(wèn)、給出輔助用藥建議。對(duì)于體檢報(bào)告，拍照上傳后訊飛曉醫(yī)可以識(shí)別全維度關(guān)鍵信息，聯(lián)合異常指標(biāo)綜合解讀，主動(dòng)詢問(wèn)發(fā)現(xiàn)更多問(wèn)題給予幫助。當(dāng)然，背后也是文檔信息定位與抽取技術(shù)的支持。 ?

? 從單字識(shí)別、文本行識(shí)別，到難度更高的二維復(fù)雜結(jié)構(gòu)識(shí)別、篇章級(jí)識(shí)別，科大訊飛的圖文識(shí)別相關(guān)技術(shù)在算法上持續(xù)迭代突破，更強(qiáng)的圖文識(shí)別技術(shù)還能使多模態(tài)大模型在圖像描述、圖像問(wèn)答、識(shí)圖創(chuàng)作、文檔理解與處理上展現(xiàn)出更好的效果和潛力。 ? 圖文識(shí)別技術(shù)結(jié)合語(yǔ)音識(shí)別、語(yǔ)音合成、機(jī)器翻譯等技術(shù)形成系統(tǒng)性創(chuàng)新，也將賦能產(chǎn)品應(yīng)用展現(xiàn)出更強(qiáng)大的功能，融入千行百業(yè)，走進(jìn)千家萬(wàn)戶。