怎么提升表格识别的准确度

[Andriy7]

使用ppstructure不能获得很好的表格结果,求助怎么进行优化?

[GreatV]

根据您的问题和提供的文档,我总结以下几点可以帮助提升表格识别的准确度:

1. 优化模型选择:

• 使用PP-StructureV2中的SLANet模型,它较TableRec-RARE在精度上提升了4.7%,TEDS提升2%
• 搭配最新的PP-OCRv3文字检测和识别模型

2. 调整模型参数:

• table_max_len: 根据实际表格大小设置合适的长度,不要盲目增大
• batch_size: 可以尝试调整batch_size大小
• 学习率: 可以适当调小学习率,如设为原来的0.05倍

3. 数据预处理:

• 对倾斜的表格图片进行矫正
• 提升图像分辨率和清晰度
• 去除图像噪声和干扰

4. 针对具体场景:

• 如果是复杂表格,建议重新训练模型
• 可以结合表格属性识别来判断表格难度,对难识别的表格重点处理
• 对于不换行标题等特殊情况,需要专门优化处理

5. 模型微调:

• 可以在预训练模型基础上,用自己的数据集进行fine-tuning
• 收集更多真实场景的数据进行训练

6. 后处理优化:

• 对识别结果进行校验和纠错
• 设置合理的文本过滤规则
• 针对特定业务场景制定后处理规则

建议您先从以上几个方面入手尝试优化。如果还不能解决问题,可以提供具体的错误示例,这样可以给出更有针对性的建议。

---

Response generated by 🤖 feifei-bot | claude-3-5-sonnet-latest

[SWHL]

一是尝试其他开源表格识别模型，例如→ TableStructureRec
二是基于自己数据微调
三是尝试LLM系列的，例如Qwen2-VL系列，或者mPLUG-DocOwl