论文解读系列十八：融合视觉、语义、关系多模态信息的文档版面分析架构VSR

现有文档版面分析方法大致可分为两种：基于NLP的方法将版面分析任务看作是序列标签分类任务（sequence labeling），但是该类方法在版面建模上表现出不足，无法捕获空间信息；基于CV的方法则将版面分析看作是目标检测或分割任务（object detection or segmentation），该类方法的不足表现在（1）缺乏细粒度的语义、（2）简单的拼接方式、（3）未利用关系信息。如图1展示的VSR的motivation示意图，为解决上述各方法的局限性问题，本文提出一种融合视觉、文本、关系多模态信息的版式分析架构VSR （Vision， Semantic， Relation）。

图1 VSR的motivation示意图

1. 问题定义

版式分析任务既可当做序列标签分类，又可当做目标检测。主要区别在于部件候选（component candidates）的选择。对于基于NLP方法，即序列标签分类的定义，选择通过pdf解析或OCR识别得到text tokens；对于基于CV方法，即目标检测或分割的定义，选择通过目标检测网络如Mask RCNN得到的区域RoI。VSR主要围绕目标检测的定义展开，同时VSR也可以很直接地应用到基于NLP的方法上。

2. VSR架构

VSR架构如图2所示，主要包括三个模块：双流卷积网络(two-stream ConvNets)、多尺度自适应聚合模块、关系学习模块。首先，双流卷积网络提取视觉和语义特征；然后，相对于简单的拼接，多尺寸自适应聚合模块来得到视觉和语义双模态信息表示；接着，基于聚合的多模态信息表示，可以生成布局组件候选集；最后，关系学习模块来学习各组件候选间的关系，并生成最终结果。下面对各模块具体展开。

图2 VSR架构图

2.1 双流卷积网络

VSR采用双流卷积神经网络（本文采用的是ResNeXt-101）来分别提取图像视觉信息和文本语义信息。

视觉ConvNet

对于输入图片

V

0

=

R

H

×

W

×

3

V_{0}=\mathbb{R}^{H\times W\times 3}

V0 =RH×W×3，通过骨干CNN网络，得到视觉信息的多尺度特征图

{

V

2

,

V

3

,

V

4

,

V

5

}

\{V_{2},V_{3},V_{4},V_{5}\}

{V2 ,V3 ,V4 ,V5 }，其中

V

i

∈

R

H

2

i

×

W

2

i

×

C

i

V

V_i\in \mathbb{R}^{\frac{H}{2^i}\times \frac{W}{2^i}\times C_{i}^{V}}

Vi ∈R2iH ×2iW ×CiV ，

H

H

H和

W

W

W分别是图片的高和宽，

C

i

V

C_{i}^{V}

CiV 是通道数。

语义ConvNet

VSR将文本转换为2D表示

S

0

=

R

H

×

W

×

C

0

S

S_{0}=\mathbb{R}^{H\times W\times C_{0}^{S}}

S0 =RH×W×C0S , 其中

C

0

S

C_{0}^{S}

C0S 是初始通道维度（本文取64）。根据字符和语句两种粒度分别得到CharGrid和SentGrid:

C

h

a

r

G

r

i

d

i

j

=

{

E

c

(

c

k

)

i

f

(

i

,

j

)

∈

b

k

c

0

e

l

s

e

(1)

CharGrid_{ij}=\left\{\begin{matrix} E^{c}(c_k) & if (i,j)\in b_k^c\ 0 & else \end{matrix}\right. \tag{1}

CharGridij ={Ec(ck )0 if(i,j)∈bkc else (1)

其中

c

k

c_k

ck 表示第

k

k

k个字符，

b

k

c

=

(

x

0

;

y

0

;

x

1

;

y

1

)

b_k^c = (x_{0}; y_0; x_1; y_1)

bkc =(x0 ;y0 ;x1 ;y1 ) 是其对应两点标注（左上角和右下角横纵坐标），

E

c

E^{c}

Ec是词向量映射操作。

S

e

n

t

G

r

i

d

i

j

=

{

E

s

(

s

k

)

i

f

(

i

,

j

)

∈

b

k

s

0

e

l

s

e

(2)

SentGrid_{ij}=\left\{\begin{matrix} E^{s}(s_k) & if (i,j)\in b_k^s\ 0 & else \end{matrix}\right. \tag{2}

SentGridij ={Es(sk )0 if(i,j)∈bks else (2)

其中

s

k

s_k

sk 表示第

k

k

k个语句，

b

k

s

=

(

x

0

;

y

0

;

x

1

;

y

1

)

b_k^s = (x_{0}; y_0; x_1; y_1)

bks =(x0 ;y0 ;x1 ;y1 ) 是其对应两点标注，

E

s

E^{s}

Es是预训练的BERT模型。

对字符和语句两个粒度的语义信息进行融合，得到文本2D表示

S

0

S_{0}

S0 ：

S

0

=

L

a

y

e

r

N

o

r

m

(

C

h

a

r

G

r

i

d

+

S

e

n

t

G

r

i

d

)

(3)

S_{0} = LayerNorm(CharGrid+SentGrid) \tag{3}

S0 =LayerNorm(CharGrid+SentGrid)(3)

将

S

0

S_{0}

S0 输入到骨干CNN网络，得到文本信息的多尺度特征图

{

S

2

,

S

3

,

S

4

,

S

5

}

\{S_{2},S_{3},S_{4},S_{5}\}

{S2 ,S3 ,S4 ,S5 }，与视觉信息的多尺度特征图

{

V

2

,

V

3

,

V

4

,

V

5

}

\{V_{2},V_{3},V_{4},V_{5}\}

{V2 ,V3 ,V4 ,V5 }是同样的尺寸和维度。

2.2 多尺寸自适应聚合模块

在得到各模态的特征图表示后，通过一个卷积层得到attention map

A

M

i

AM_i

AMi ，再基于attention map对各模态特征进行聚合得到聚合特征图

F

M

i

FM_i

FMi ：

A

M

i

=

h

(

g

[

V

i

,

S

i

]

)

(4)

AM_i = h(g[V_i, S_i]) \tag{4}

AMi =h(g[Vi ,Si ])(4)

F

M

i

=

A

M

i

⊙

V

i

+

(

1

−

A

M

i

)

⊙

S

i

(5)

FM_i = AM_i\odot V_i + (1 - AM_i)\odot S_i \tag{5}

FMi =AMi ⊙Vi +(1−AMi )⊙Si (5)

其中

g

g

g是一个卷积核尺寸为

1

×

1

×

(

C

i

V

+

C

i

S

)

×

C

i

S

1\times 1\times (C_i^V + C_i^S)\times C_i^S

1×1×(CiV +CiS )×CiS 的卷积层，

h

h

h是非线性激活函数。随后

F

M

=

{

F

M

2

,

F

M

3

,

F

M

4

,

F

M

5

}

FM=\{FM_{2},FM_{3},FM_{4},FM_{5}\}

FM={FM2 ,FM3 ,FM4 ,FM5 }经过特征金字塔网络FPN得到最终的多模态聚合特征。

2.3 关系学习模块

在得到FM后，可以通过RPN网络很容易得到ROI（Region of Interest）作为布局部件候选集。本文在实验阶段选择的是Mask RCNN，同时设置7个anchor比例

(

0.02

,

0.05

,

0.1

,

0.2

,

0.5

,

1.0

,

2.0

)

(0.02, 0.05, 0.1, 0.2, 0.5, 1.0, 2.0)

(0.02,0.05,0.1,0.2,0.5,1.0,2.0)得到部件候选集。如图3所示，根据各部件候选之间的关系，可以有如下作用：（1）利用空间位置关系，调整文本框坐标；（2）根据部件间的共现关系（比如表格和表格标题一般会同时出现）修正预测标签；（3）各component间不重叠的特性移除多余框。VSR中关系学习模块对各部件候选间的关系进行建模，并最终得到版面分析的结果。

图3 VSR关系学习模块作用示意图

将一篇文档作为一张图graph，而每个部件候选component candidate作为节点node。每个节点的特征表示由多模态特征表示和位置信息表示组成：

z

j

=

L

a

y

e

r

N

o

r

m

(

f

j

+

e

j

p

o

s

(

b

j

)

)

(6)

z_j = LayerNorm(f_j+e^{pos}_j(b_j)) \tag{6}

zj =LayerNorm(fj +ejpos (bj ))(6)

其中

f

j

=

R

O

I

A

l

i

g

n

(

F

M

,

b

j

)

f_j=ROIAlign(FM, b_j)

fj =ROIAlign(FM,bj )，而

e

j

p

o

s

(

b

j

)

e^{pos}_j(b_j)

ejpos (bj )是位置坐标的向量表示。

通过self-attention机制来学习关系：

Z

′

=

A

t

t

e

n

t

i

o

n

(

Q

,

K

,

V

)

=

s

o

f

t

m

a

x

(

Q

K

T

d

k

)

V

(7)

Z' = Attention(Q,K,V) = softmax(\frac{QK^T}{\sqrt{d_k}})V \tag{7}

Z′=Attention(Q,K,V)=softmax(dk

QKT )V(7)

其中

Q

，

K

，

V

Q，K，V

Q，K，V都是由

Z

=

{

z

1

,

z

2

,

.

.

.

,

z

N

}

Z=\{z_1, z_2, ..., z_N\}

Z={z1 ,z2 ,...,zN }来表示,

Z

′

=

{

z

1

′

,

z

2

′

,

.

.

.

,

z

N

′

}

Z'=\{z'_1, z'_2, ..., z'_N\}

Z′={z1′ ,z2′ ,...,zN′ }是经过self-attention后的输出结果。

计算节点即部件候选的分类概率：

p

~

j

c

=

s

o

f

t

m

a

x

(

L

i

n

e

a

r

c

l

s

(

z

j

′

)

)

(8)

\tilde{p}^c_j = softmax(Linear_{cls}(z'_j))\tag{8}

p~ jc =softmax(Linearcls (zj′ ))(8)

计算节点即部件候选的边框坐标回归：

b

~

j

=

L

i

n

e

a

r

r

e

g

(

z

j

′

)

(9)

\tilde{b}_j= Linear_{reg}(z'_j) \tag{9}

b~j =Linearreg (zj′ )(9)

2.4 优化训练

序列标注的定义下：

采用分类交叉熵进行优化：

L

=

−

1

T

∑

j

=

1

T

y

j

l

o

g

(

p

~

j

)

(10)

\mathcal{L} = -\frac{1}{T}\sum_{j=1}^{T}y_jlog(\tilde{p}_j) \tag{10}

L=−T1 j=1∑T yj log(p~ j )(10)

其中

T

T

T是text token的个数，

y

j

y_j

yj 是序列标注的groundtruth。

目标检测的定义下：

优化损失函数计算：

L

=

L

D

E

T

+

λ

L

R

M

(11)

\mathcal{L} = \mathcal{L}_{DET} + \lambda \mathcal{L}_{RM} \tag{11}

L=LDET +λLRM (11)

其中

L

D

E

T

\mathcal{L}_{DET}

LDET 是候选生成阶段的损失，包括交叉熵（用于分类）和smooth L1（用于边框回归）；

L

R

M

\mathcal{L}_{RM}

LRM 是关系学习模块的损失，同样包括交叉熵（用于分类）和smooth L1（用于边框回归）。本文实验中设置

λ

=

1

\lambda = 1

λ=1。

3. 实验结果

3.1 对比实验

VSR在三个开源数据集Article Regions，PubLayNet，DocBank上取得了最优结果。

3.2 消融实验

表5、表6、表7的实验结果分别验证了A.不同粒度的文本表示；B.双流卷积网络和聚合模块；C.关系学习模块三个部分的有效性。

4. 总结

VSR方法的三个重要部分如下：

（1）文本语义用character和sentence两种粒度来表示；

（2）采用two-stream convnet来分别提取视觉和语义特征，再通过attention将两个模态特征聚合，最后基于聚合特征得到component candidates；

（3）GNN即Self attention来学习各component candidates间的关系。

EI企业智能 OCR

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。