RAPTOR: 제품 테이블 객체 인식을 위한 정교한 접근 방식

Eliott Thomas 외 6명의 연구진이 개발한 RAPTOR는 기존 테이블 인식 시스템의 한계를 극복하는 혁신적인 후처리 시스템으로, 특히 제품 테이블 추출 분야에서 높은 정확도를 자랑합니다. 유전 알고리즘을 활용한 최적화와 모듈식 설계를 통해 다양한 형태의 테이블에 대한 적응력을 높였으며, 다양한 데이터 세트를 통한 실험 결과는 RAPTOR의 우수한 성능을 입증합니다.

혁신적인 제품 테이블 추출 시스템 RAPTOR 등장!

인보이스와 보고서와 같은 비즈니스 문서에서 테이블을 추출하는 것은 여러 산업 분야에서 매우 중요한 작업입니다. 기존의 DETR(DEtection TRansformer) 기반 시스템, 예를 들어 TAble TRansformer (TATR)는 테이블 검출(TD)과 테이블 구조 인식(TSR)에 대한 해결책을 제공하지만, 다양한 테이블 형식과 잘못된 영역 감지, 열 중복과 같은 일반적인 오류에 어려움을 겪고 있습니다.

이 연구는 제품 테이블 추출을 개선하기 위해 설계된 모듈식 후처리 시스템인 RAPTOR를 소개합니다. 특히 제품 테이블에 대해 TD와 TSR의 반복적인 문제를 해결하여 정밀도와 구조적 예측을 모두 향상시킵니다. TD에는 ICDAR 2019에서 훈련된 DETR과 PubTables-1M 및 FinTabNet에서 훈련된 TATR을 사용하는 반면, TSR은 TATR에만 의존합니다. 산업적 요구에 맞추기 위해 제품 테이블의 개인 데이터 세트를 사용하여 RAPTOR 모듈 매개변수를 최적화하기 위해 유전 알고리즘이 통합되었습니다.

RAPTOR의 성능은 제품 테이블의 두 개의 개인 데이터 세트, 목표 제품 테이블과 유사한 테이블을 포함하는 공개 DOCILE 데이터 세트 및 ICDAR 2013과 ICDAR 2019 데이터 세트에서 평가되었습니다. 결과는 이 방법이 제품 테이블에서 탁월한 성능을 보이는 동시에 다양한 테이블 형식에서도 합리적인 성능을 유지함을 보여줍니다. 추가적인 ablation study는 시스템의 각 모듈의 기여도를 더욱 검증합니다.

주목할 만한 점:

• 유전 알고리즘 활용: 최적화 과정에 유전 알고리즘을 도입하여 시스템의 정확도를 높였습니다. 이는 기존 방식보다 더욱 효율적이고 정교한 최적화를 가능하게 합니다.
• 모듈식 설계: 모듈식으로 설계되어 각 구성 요소의 성능을 개별적으로 평가하고 개선할 수 있습니다. 이는 시스템의 유연성과 확장성을 향상시킵니다.
• 다양한 데이터 세트 평가: 다양한 공개 및 비공개 데이터 세트를 사용하여 폭넓은 테스트를 수행하여 시스템의 일반화 성능을 검증했습니다.

이 연구는 제품 테이블 추출 분야에 중요한 기여를 하며, 향후 다양한 문서 처리 작업에 적용될 가능성을 시사합니다. RAPTOR의 등장은 더욱 정확하고 효율적인 문서 처리 시스템 개발에 대한 새로운 이정표를 제시합니다.