探索科研数据的新里程:SciTSR — 一个大规模表格结构识别库
2024-05-20 01:09:12作者:余洋婵Anita
项目简介
在科研领域,表格是数据和信息的重要载体,而将这些表格自动化地结构化处理则是一项关键任务。为此,我们向您推荐一个全新的开源项目——SciTSR(Scientific Table Structure Recognition)。这个项目提供了一个庞大的15,000个PDF表格及其对应的LaTeX源文件结构标签的数据集,为表格结构识别的研究和应用打开了新的大门。
项目技术分析
SciTSR数据集被精心设计并划分,包括12,000个训练样本和3,000个测试样本。为了方便研究,还特别设置了包含复杂表格的测试子集(SciTSR-COMP)。该数据集以JSON和图像形式存储,涵盖了PDF原文件、结构标签、预处理后的文本块以及关系标记。开发团队提供了基于图结构的方法来提取表格结构特征,并提供了顶点和边的特性编码,用于模型训练和评估。
应用场景
SciTSR适用于以下场景:
- 自动化科研文献解析:帮助机器自动理解并解析科学论文中的数据表。
- 大数据分析:高效处理大量的科研数据,提高数据分析效率。
- AI辅助科研:与AI系统集成,提供智能的表格解析服务,加速科研进程。
项目特点
- 大规模数据集:15,000个示例涵盖多种表格类型,包括复杂的表格结构。
- 详细结构标签:每个表格都配有详细的结构标签,便于模型学习和评估。
- 多格式支持:提供PDF、图像和文本块等多种输入形式,满足不同应用场景的需求。
- 易于使用:清晰的数据结构和直观的评价脚本,使得实验和结果分析变得简单。
- 开放源代码:全项目开源,鼓励社区贡献和协作,持续改进和扩展。
使用SciTSR,您不仅可以参与到前沿的科研数据处理技术发展中,还可以为您的项目增添强大的表格识别功能。立即下载并尝试,让我们共同推进科研数据的智能化进程!
登录后查看全文
热门项目推荐
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0267cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
144
1.93 K

deepin linux kernel
C
22
6

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
192
274

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
930
553

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
422
392

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
65

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K

Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8