Donut（基于标准尺寸模型，在DocVQA上进行了微调）

Donut模型在DocVQA上进行了微调。它是由Geewok等人在论文 OCR-free Document Understanding Transformer 中提出的，并在 this repository 中首次发布。

声明：发布Donut模型的团队没有为该模型编写模型卡片，因此此模型卡片是由Hugging Face团队编写的。

模型描述

Donut由视觉编码器（Swin Transformer）和文本解码器（BART）组成。给定一张图像，编码器首先将图像编码为嵌入张量（形状为batch_size，seq_len，hidden_size），然后解码器根据编码器的编码自动回归生成文本。

预期用途和限制

该模型在DocVQA上进行了微调，这是一个文档视觉问答数据集。

我们参考了 documentation 的代码示例。

BibTeX条目和引用信息

@article{DBLP:journals/corr/abs-2111-15664,
  author    = {Geewook Kim and
               Teakgyu Hong and
               Moonbin Yim and
               Jinyoung Park and
               Jinyeong Yim and
               Wonseok Hwang and
               Sangdoo Yun and
               Dongyoon Han and
               Seunghyun Park},
  title     = {Donut: Document Understanding Transformer without {OCR}},
  journal   = {CoRR},
  volume    = {abs/2111.15664},
  year      = {2021},
  url       = {https://arxiv.org/abs/2111.15664},
  eprinttype = {arXiv},
  eprint    = {2111.15664},
  timestamp = {Thu, 02 Dec 2021 10:50:44 +0100},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2111-15664.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}