作為文檔圖像分析識別領域最重要的國際會議之一，國際文檔分析與識別會議ICDAR 2023（International Conference on Document Analysis and Recognition）近期傳來好消息： ? 科大訊飛研究院與中科大語音及語言信息處理國家工程研究中心（以下簡稱研究中心）在多行公式識別、文檔信息定位與提取、結(jié)構(gòu)化文本信息抽取三項比賽中獲得四個冠軍！? ? ?

MLHME之冠： 首個“多行書寫”挑戰(zhàn)賽，復雜度再突破 ? MLHME（多行公式識別比賽）考查輸入包含手寫數(shù)學公式的圖像后，算法輸出對應LaTex字符串正確率。值得一提的是，相比此前數(shù)學公式識別賽事，此次比賽業(yè)內(nèi)首次將“多行書寫”設為主要挑戰(zhàn)對象，且不同于之前識別掃描、在線手寫的公式，本次以識別拍照的手寫多行公式為主。 ? 最終，科大訊飛研究院圖文識別團隊以67.9%的成績拿下冠軍，并在主要評價指標——公式召回率（Expression Recall，即統(tǒng)計識別正確的樣本數(shù)占總測試樣本數(shù)的比例）上大幅超越其他參賽團隊。 ?

公式召回率與榜單中Submit Results相對應 ? 針對比賽中出現(xiàn)的多行公式結(jié)構(gòu)復雜問題，團隊使用大卷積核的Conv2former作為編碼器結(jié)構(gòu)，擴大了模型的視野，更好地捕捉多行公式的結(jié)構(gòu)特征；創(chuàng)新性提出基于transformer的結(jié)構(gòu)化序列解碼器SSD，顯式對多行公式內(nèi)部的層次關系做了精細化建模，極大提升了復雜結(jié)構(gòu)的泛化性，更好地建模了結(jié)構(gòu)化語義。 ?

?

多行公式結(jié)構(gòu)復雜，圖片質(zhì)量不高、批改干擾 ? 針對圖片質(zhì)量問題所引起的字符歧義問題，團隊創(chuàng)新性提出了語義增強的解碼器訓練算法，通過語義和視覺的聯(lián)合訓練，讓解碼器具備內(nèi)在的領域知識。當字符難以辨認時，模型能夠自適應利用領域知識做出推理，給出最合理的識別結(jié)果。 ? 針對字符尺寸變化大的問題，團隊提出了一種自適應字符尺度估計算法和多尺度融合解碼策略，極大提升了模型對字符大小變化的魯棒性。 ? ?

DocILE之冠：“行里挑一” 文檔信息定位與提取比賽雙賽道登頂榜首 ? DocILE（文檔信息定位與提取比賽）評估機器學習方法在半結(jié)構(gòu)化的商業(yè)文檔中，對關鍵信息定位、提取和行項識別的性能。該賽事分為KILE和LIR兩個賽道任務，訊飛與研究中心最終收獲雙賽道冠軍。 ?

KILE賽道榜單和LIR賽道榜單雙第一

此次賽事，文檔中待抽取的信息種類非常繁雜。面對挑戰(zhàn)，聯(lián)合團隊在算法層面提出了兩項技術創(chuàng)新方案： ? 預訓練階段設計了基于OCR質(zhì)量的文檔過濾器，從主辦方提供的無標注文檔中提取出274萬頁的文檔圖像，隨后通過預訓練語言模型獲取文檔中各文本行的語義表征，并采用掩碼語句表征恢復任務進行不同Top-K（GraphDoc模型中關于文檔的注意力范圍的一個超參數(shù)）配置下的預訓練。 ?

? 在數(shù)據(jù)集微調(diào)階段，團隊使用了預訓練后的GraphDoc提取文本框的多模態(tài)表征，并進行分類操作。在分類結(jié)果的基礎上，將多模態(tài)表征送入低層注意力融合模塊進行實例的聚合，在實例聚集的基礎上，使用高層注意力融合模塊實現(xiàn)行項實例的聚集，所提出的注意力融合模塊結(jié)構(gòu)相同、但彼此不共享參數(shù)，可以同時用于KILE和LIR任務且具有很好的效果。 ?

? ?

SVRD之冠：零樣本票證結(jié)構(gòu)化信息抽取任務第一 預訓練模型大考驗 ? SVRD（結(jié)構(gòu)化文本信息抽取）比賽分為4個賽道子任務，訊飛與研究中心在難度頗高的零樣本結(jié)構(gòu)化信息抽取子賽道（Task3：E2E Zero-shot Structured Text Extraction）獲得第一。 ?

榜單排名 ? 零樣本對預訓練模型能力提出了更高要求。同時，比賽使用的發(fā)票版式多樣、同一個要素名稱不同、照片背景干擾、反光、文字重疊等問題，進一步提升了識別和抽取難度。 ?

?

不同版式的發(fā)票以及條紋背景干擾的發(fā)票 ? ? 團隊首先對要素抽取模型采用復制-生成雙分支解碼策略，在前端OCR結(jié)果置信度較高的情況下直接復制OCR結(jié)果，在OCR結(jié)果置信度較低的情況下生成新的預測結(jié)果，以此緩解前端OCR模型引入的識別錯誤。 ? 此外，團隊還基于OCR結(jié)果提取句子級的graphdoc特征作為要素抽取模型輸入，該特征融合了圖像、文本、位置、版面多模態(tài)特征，相比于單模態(tài)的純文本輸入具有更強的特征表示。 ? 在此基礎上，團隊還結(jié)合了UniLM、LiLT、DocPrompt多個要素抽取模型在不同場景、不同語種上的性能優(yōu)勢進一步提升了最終的要素抽取效果。 ? ?

教育、金融、醫(yī)療等已落地應用 ? 科大訊飛在ICDAR 2023數(shù)個比賽中“多點開花”，既是在圖文識別理解技術上的持續(xù)進步，也是應用落地的不斷擴寬。此次奪冠的技術，也已經(jīng)深入教育、金融、醫(yī)療、智能硬件等領域，賦能多項業(yè)務與產(chǎn)品。 ? 在教育領域，手寫公式識別的技術能力被高頻使用，機器能給予精準的識別、判斷和批改。例如科大訊飛AI學習機中的個性化精準學、AI診斷；老師上課所使用的“訊飛智慧窗”教學大屏、學生的個性化學習手冊等，都已發(fā)揮了很大成效。 ?

? 不久前科大訊飛全球1024開發(fā)者節(jié)上發(fā)布的星火科研助手，三大核心功能之一的論文研讀可實現(xiàn)智能解讀論文，快速回答相關問題。后續(xù)在高精度公式識別基礎上進階有機化學結(jié)構(gòu)式、圖形、圖標、流程圖、表格等結(jié)構(gòu)化場景識別的效果，這項功能也會更好助力科研工作者提升效率。 ?

? 文檔信息定位與抽取技術則在金融領域得到了廣泛運用，例如合同要素抽取與審核、銀行票據(jù)要素抽取、營銷內(nèi)容消保審查等場景，可以實現(xiàn)文檔或文件的數(shù)據(jù)解析、信息抽取和比對審核等功能，從而輔助業(yè)務數(shù)據(jù)的快速錄入、抽取、比對，實現(xiàn)審核過程的降本增效。 ?

? 同樣在今年1024上發(fā)布的個人AI健康助手——訊飛曉醫(yī)，不僅能掃描檢查單、化驗單識別后給出分析和建議，還可以掃描藥盒后進一步主動詢問、給出輔助用藥建議。對于體檢報告，拍照上傳后訊飛曉醫(yī)可以識別全維度關鍵信息，聯(lián)合異常指標綜合解讀，主動詢問發(fā)現(xiàn)更多問題給予幫助。當然，背后也是文檔信息定位與抽取技術的支持。 ?

? 從單字識別、文本行識別，到難度更高的二維復雜結(jié)構(gòu)識別、篇章級識別，科大訊飛的圖文識別相關技術在算法上持續(xù)迭代突破，更強的圖文識別技術還能使多模態(tài)大模型在圖像描述、圖像問答、識圖創(chuàng)作、文檔理解與處理上展現(xiàn)出更好的效果和潛力。 ? 圖文識別技術結(jié)合語音識別、語音合成、機器翻譯等技術形成系統(tǒng)性創(chuàng)新，也將賦能產(chǎn)品應用展現(xiàn)出更強大的功能，融入千行百業(yè)，走進千家萬戶。