在日前結(jié)束的第25屆國(guó)際模式識(shí)別會(huì)議（ICPR2020）上，深蘭科技DeepBlueAI團(tuán)隊(duì)同臺(tái)競(jìng)技聯(lián)想、華南理工、合合等隊(duì)伍，摘得“圖表信息提取競(jìng)賽”總成績(jī)的冠軍。

該競(jìng)賽由6個(gè)賽道7個(gè)子任務(wù)組成，其中賽道6有兩個(gè)子任務(wù)，每個(gè)子任務(wù)又分Adobe Synth、UB PMC兩個(gè)數(shù)據(jù)集。7個(gè)子任務(wù)按照數(shù)據(jù)集單獨(dú)計(jì)分，最終按照總分進(jìn)行排名。最終，DeepBlueAI團(tuán)隊(duì)拿下4個(gè)賽道冠軍，以總分35分拿到總成績(jī)第一名。

ICPR2020圖表信息提取

競(jìng)賽冠軍方案

該比賽各任務(wù)涵蓋圖表分類、案例分析、圖元素提取等，數(shù)據(jù)類別存在著分布極為不均衡的問(wèn)題。

7個(gè)賽道分別為：賽道一，圖表分類；賽道二，檢測(cè)并識(shí)別圖表中的文字區(qū)域；賽道三，識(shí)別圖表圖像中文本功能／角色；賽道四，對(duì)坐標(biāo)軸上刻度點(diǎn)進(jìn)行檢測(cè)并與刻度標(biāo)簽文本框關(guān)聯(lián)；賽道五，關(guān)聯(lián)圖例標(biāo)簽文本與圖例樣式元素；賽道六，第一個(gè)子任務(wù)對(duì)圖表元素進(jìn)行檢測(cè)與分類，第二個(gè)子任務(wù)提取用于生成圖表圖像的原始數(shù)據(jù)。

下面對(duì)比較有競(jìng)爭(zhēng)力的三、四、五、六賽道的解決方案進(jìn)行技術(shù)分享。

賽道三

賽道三以文本位置和文本內(nèi)容為輸入，識(shí)別圖表圖像中每個(gè)文本的角色，6個(gè)類別如圖所示。我們的方法包括兩個(gè)步驟：特征提取和分類器分類。使用文本屬性來(lái)定義特征向量，使用的分類器是Random Forest ［1］和LightGBM ［2］。

特征由文本框?qū)傩院臀谋緝?nèi)容組成，這些特征可分為三組。第一組包含框的長(zhǎng)寬比、文本是否為數(shù)字、文本是否為多行、文本角度、文本長(zhǎng)度和圖表類型。第二組包括文本框的三種相對(duì)位置信息，也就是相對(duì)于全局邊框、原點(diǎn)和圖例的位置。第三組包含水平／垂直對(duì)齊文本框的數(shù)量和對(duì)齊文本框的水平／垂直范圍，判斷框是否對(duì)齊時(shí)，分別使用文本框的中心點(diǎn)、左上角和右下角。

使用隨機(jī)森林和LightGBM對(duì)文本角色進(jìn)行分類。隨機(jī)森林的一個(gè)優(yōu)點(diǎn)是在缺少特征的情況下仍然具有良好的性能，LightGBM具有訓(xùn)練效率高、精度高等優(yōu)點(diǎn)。在訓(xùn)練模型時(shí)，每個(gè)類別的損失權(quán)重與輸入數(shù)據(jù)的頻率成反比。