ClusterTabNet：用于表格检测和表格结构识别的有监督聚类方法
内容提要
该文综述表格识别深度学习进展：TableNet实现端到端表格检测与行提取；RobusTabNet检测边界并重建单元格；CascadeTabNet统一检测与结构识别；TABBIE通过损坏单元格检测预训练，嵌入单元格、行、列，性能领先且计算更省。
延伸解读
表格识别技术演进脉络
从TableNet到TABBIE，表格识别技术经历了从端到端检测到结构重建的演进。TableNet实现表格检测与行提取，RobusTabNet通过CornerNet检测边界并重建单元格，CascadeTabNet统一检测与结构识别，TABBIE则通过损坏单元格检测预训练，嵌入单元格、行、列，性能领先且计算更省。这些方法逐步解决了表格检测与结构识别的核心问题。
TABBIE的预训练策略与优势
TABBIE采用损坏单元格检测作为预训练目标，仅从表格数据中学习，无需相关文本。在一套基于表格的预测任务上达到最先进水平，超过竞争方法。其模型提供所有表子结构（单元格、行和列）的嵌入，所需计算时间少得多。质量分析表明，它能理解复杂的表语义和数字趋势。
不同方法的适用场景与局限
TableNet在ICDAR 2013和Marmot Table数据集上达到最佳性能，迁移学习效果良好。RobusTabNet适用于异构文档图像中的表格结构重建。CascadeTabNet在ICDAR 2013、2019和TableBank数据集上表现最佳。TABBIE在无相关文本的表格任务中表现不佳，但通过预训练目标弥补。读者需根据具体任务选择合适方法。
Q&A
TableNet 是什么？它在表格识别中有什么特点？
TableNet 是一种端到端深度学习模型，用于识别文档图像中的表格，并采用语义规则的行提取方法。它在 ICDAR 2013 和 Marmot Table 数据集上达到最佳性能，能通过添加语义特征提升性能，且迁移学习效果良好。
RobusTabNet 如何检测和重建表格结构？
RobusTabNet 使用 CornerNet 作为区域提议网络进行表格检测，并采用基于分割和合并的方法识别表格结构，从而从异构文档图像中重建每个表格的细胞结构。
CascadeTabNet 解决了表格识别中的哪些问题？
CascadeTabNet 使用单个深度卷积神经网络（CNN）的改进型端到端方法，同时解决表格检测和结构识别两个问题，并通过迁移学习和图像增强在 ICDAR 2013、ICDAR 2019 和 TableBank 数据集上达到最佳结果。
TABBIE 模型有什么创新之处？
TABBIE 提出了一种简单的预训练目标——损坏单元格检测，仅从表格数据中学习，在基于表格的预测任务上达到最先进水平。它提供了所有表子结构（单元格、行和列）的嵌入，且计算时间更少，能理解复杂的表语义和数字趋势。
TabNet 在表格数据学习中有哪些特点？
TabNet 是一种高性能且可解释的深度表格数据学习架构，采用顺序注意方法在每个决策步骤中选择推理特征，实现可解释性和更高效的学习。它在各种非性能饱和表格数据集上胜过其他神经网络和决策树变体，并首次在表格数据上展示了自监督学习。
TabularNet 是如何处理表格数据的？
TabularNet 采用 CNN 模型进行表格数据的空间编码，并利用基于 WordNet 树的图构建方法编码单元格之间的复杂关系，有效提高了表格分类任务的精度。
