数据集
DocBank¶
-
基于弱监督数据方法构建，包含文本与版式信息，500K的数据量(400K训练，50k验证，50k测试)，数据类型是英文数据
-
包含如下标签：Abstract，Author，Caption，Equation，Figure，Footer，List，Paragraph，Reference，Section，Table，Title
EATEN¶
- 合成数据，包含火车票（300k）、护照（100k）、名片（200k）
PubLayNet
- 通过匹配xml获得的1M图片，其中包含36K的 文档图片
- 包含的类别有：text, title, list, table, figure
- 中英文
CDLA¶
- 中文版面分析数据
| class | numbers of training labels | numbers of val labels |
|---|---|---|
| Equation | 1726 | 201 |
| Figure | 4622 | 496 |
| Figure caption | 4570 | 445 |
| Footer | 3509 | 396 |
| Header | 10802 | 1774 |
| Reference | 2801 | 459 |
| Table | 1154 | 234 |
| Table caption | 1134 | 215 |
| Text | 22568 | 3099 |
| Title | 9331 | 1392 |