2 repository-uri
Awesome GitHub RepositoriesDocument Analysis Models
Neural networks specifically trained for the detection and classification of document components.
Distinct from Deep Learning Classifiers: Existing candidates are too general (Deep Learning) or too specific (Face Classifiers).
Explore 2 awesome GitHub repositories matching artificial intelligence & ml · Document Analysis Models. Refine with filters or upvote what's useful.
Awesome Document Analysis Models GitHub Repositories
Găsește cele mai bune repo-uri cu AI.Vom căuta cele mai potrivite repository-uri folosind AI.
- layout-parser/layout-parser
Layout-Parser/layout-parser
5,749Vezi pe GitHubLayout-parser este un framework de deep learning pentru parsarea layout-ului documentelor și analiza imaginilor. Oferă un toolkit pentru extragerea informațiilor structurale și a modelelor de layout din documente scanate și imagini digitale, transformându-le în structuri de date programatice pentru analiză automatizată. Framework-ul integrează detectarea layout-ului cu recunoașterea optică a caracterelor (OCR) pentru a converti regiunile tabelare în date lizibile de către mașină. Utilizează rețele neuronale pentru a identifica și clasifica elementele structurale din imaginile documentelor fără a se baza pe sisteme manuale bazate pe reguli. Sistemul acoperă o gamă largă de capabilități de analiză a documentelor, inclusiv parsarea structurii documentului, extragerea automată a tabelelor și reprezentarea ierarhică a layout-ului. Include, de asemenea, instrumente de vizualizare pentru a randa elementele și ierarhiile detectate peste imaginile originale pentru verificarea rezultatelor.
Applies neural networks to detect and classify document components without relying on manual rules.
Python - microsoft/table-transformer
microsoft/table-transformer
2,916Vezi pe GitHubTable Transformer is a deep learning framework designed for document layout analysis and the automated extraction of tabular data from unstructured images and documents. It utilizes a transformer-based architecture to perform object detection, identifying table boundaries and internal grid structures to convert visual information into machine-readable formats. The project distinguishes itself by employing a global optimization strategy for bipartite matching, which eliminates the need for traditional non-maximum suppression during the detection process. By leveraging multi-scale feature extra
Offers a framework for training and evaluating specialized models on document layouts to improve spatial recognition.
Pythontable-detectiontable-extractiontable-functional-analysis
