FUNSD+ | Un jeu de données FUNSD plus grand et révisé

Lors de la création du jeu de données FUNSD+, nous voulions élargir le FUNSD. En outre, nous voulions configurer l'outil d'étiquetage de manière à ce que le jeu de données FUNSD+ puisse être copié, c.-à-d. "forked" d'une certaine manière, afin que d'autres chercheurs puissent inspecter, modifier ou étendre le FUNSD+. Annotations visuellement ou via le code, voir Exemple de document en direct.

Jeu de données FUNSD en arrière-plan

Nous valorisons fortement le FUNSD dataset by Jaume et al. (2019) for form understanding in noisy scanned documents. Guillaume Jaume publié le dataset sur sa page d'accueil. Elle est autorisée à être utilisée à des fins non commerciales, de recherche et d'éducation, voir licence. Le dataset FUNSD est un sous-ensemble de documents publiés sous le nom de RVL-CDIP. RVL-CPID a été introduit par Harley et al. (2015).

Nombre approximatif d'articles en accès libre mentionnant le dataset au cours des cinq dernières années.

Les chiffres sont basés sur Papiers avec code

Pour construire la base de données FUNSD, nous avons vérifié manuellement les 25 000 images de la catégorie des formulaires. Nous avons éliminé les formulaires illisibles et les formulaires similaires, ce qui nous a permis d'obtenir 3 200 documents éligibles, dont 199 ont été choisis au hasard pour être annotés..

Jaume et al. (2019)

Même le jeu de données FUNSD se rapporte à une niche de l'IA, à savoir Document AI, environ 200 personnes recherchent "FUNSD" chaque mois.

Combien de fois par mois les gens font des recherches "FUNSD" on Google.

FUNSD contre FUNSD+

Tout en annotant les documents d'une seule page, nous avons intégré les recherches les plus récentes. Vu et al. (2020) reports to have found several inconsistency in labeling, which might impede the FUNSD applicability to the key-value extraction problem.

FUNSD+ donne accès à davantage de documents

Outre l'augmentation de 199 documents à 1113 documents, nous résumons ci-dessous les caractéristiques des deux datasets. Les statistiques de l'ensemble de données FUNSD sont extraites du document de Jaume et al. (2019).

* (basically Independent checkboxes in the table above)

FUNSD+ donne accès à davantage de documents

Comme décrit dans le tableau 1, le nombre moyen d'en-têtes, de questions et de réponses par document diffère. Dans le tableau 2, nous résumons les principales différences lors de l'annotation des documents. Ensuite, nous présenterons un certain nombre de documents à l'aide de captures d'écran de l'interface d'annotation.

Exemple de document en direct

JSON

Document UI

FUNSD vs. FUNSD+ exemples visuels

Lignes multiples

FUNSD lie toutes les rangées d'un tableau à la même colonne, il est donc impossible de faire la différence entre plusieurs rangées. Nous n'avons pas annoté les tables pour l'instant. Cependant, nous pourrions étendre le dataset et annoter les tables en utilisant le concept de Sets d'étiquettes.

Utilisation des en-têtes

FUNSD lie les en-têtes aux questions de manière incohérente. FUNSD+ essaie de réduire le nombre d'en-têtes et de n'utiliser que des en-têtes annotés qui se rapportent clairement au contenu qui les suit.

Annotation de la réponse

FUNSD lie toutes les réponses multiples à une question, même en incluant le symbole du checkmark, ne fournissant ainsi pas d'informations claires sur la bonne réponse.

Checkmarks

FUNSD annote le checkmark comme la réponse et la réponse textuelle comme une question (Independent Checkboxes). FUNSD+ annote le texte de la case à cocher sélectionnée.

Exclure le texte avec des erreurs d'OCR

FUNSD inclut les signatures illisibles, FUNSD+ n'annote pas le texte qui ne peut pas être reconnu correctement par l'OCR.

Réduire le nombre d'annotations

Le FUNSD inclut certains cas limites / ambigus, où parfois de nombreux éléments sont interconnectés, avec une structure qui n'est pas compréhensible. FUNSD+ préfère ne pas annoter les cas ambigus.

Accès à l'ensemble de données

Les données peuvent être téléchargées via notre SDK Python ou peut être hébergé de manière personnalisée comme une instance de la Konfuzio Serveur dans votre environnement. En outre, notre interface d'étiquetage vous permet de définir facilement des Annotations et structures relationnelles d'entités besides Key Value Pair Labeling comme dans FUNSD. Vous pouvez ainsi construire et gérer des ensembles de données individuels. Vous trouverez plus d'exemples pour invoices, remittance advice ou car registration documents sur notre site.

Comment citer ?

Zagami, D., & Helm, C. (2022, Octobre 18). LE FUNSD+ : Un ensemble de données FUNSD plus grand et révisé. Retrieved November 5, 2022, from https://konfuzio.com/en/funsd-plus/

@misc{zagami_helm_2022,
title = {FUNSD+ : A larger and revised FUNSD dataset},
author = {Zagami, Davide et Helm, Christopher},
year = 2022,
mois = {Oct},
journal = {FUNSD+ | A larger and revised FUNSD dataset},
publisher = {Helm & Nagel GmbH},
url = {https://konfuzio.com/funsd-plus/}
}

Références

Harley, A. W., Ufkes, A., & Derpanis, K. G. (2015, août). Évaluation des réseaux convolutionnels profonds pour la classification et la récupération d'images de documents. In 2015 13th International Conference on Document Analysis and Recognition (ICDAR) (pp. 991-995). IEEE. Lien vers le PDF.

Jaume, G., Ekenel, H. K., & Thiran, J.-P. (2019). FUNSD : Un ensemble de données pour la compréhension des formes dans les documents numérisés bruyants. CoRR, abs/1905.13538.

Vu, Hieu & Nguyen, Diep. (2020). Revising FUNSD dataset for key-value detection in document images.