模型:
rubentito/hivt5-base-mpdocvqa
这是在Multipage DocVQA(MP-DocVQA)数据集上微调的分层视觉T5(Hi-VT5)基础模型。
此模型是在 Hierarchical multimodal transformers for Multi-Page DocVQA 中提出的。
免责声明:由于某些问题,该模型的效果不如论文中报道的那么好。请参阅 project Github 了解更多详情。
Hi-VT5尚未集成到HF中。请从 Github repository 下载代码并按照说明进行操作。
平均标准化Levenshtein相似度(ANLS)
文本型VQA任务(ST-VQA和DocVQA)的标准评估方法。它评估了方法的推理能力,并平滑地惩罚OCR识别错误。详细信息请参阅 Scene Text Visual Question Answering 。
答案页预测准确率(APPA)
在MP-DocVQA任务中,模型可以提供包含回答问题所需信息的页面的索引。对于这个子任务,使用准确率来评估预测结果:即预测的页面是否正确。详细信息请参阅 Hierarchical multimodal transformers for Multi-Page DocVQA 。
表2中详细说明了扩展实验。您还可以在 RRC Portal 上查看实时排行榜。
Model | HF name | Parameters | ANLS | APPA |
---|---|---|---|---|
1238321 | rubentito/bert-large-mpdocvqa | 334M | 0.4183 | 51.6177 |
1239321 | rubentito/longformer-base-mpdocvqa | 148M | 0.5287 | 71.1696 |
12310321 | rubentito/bigbird-base-itc-mpdocvqa | 131M | 0.4929 | 67.5433 |
12311321 | rubentito/layoutlmv3-base-mpdocvqa | 125M | 0.4538 | 51.9426 |
12312321 | rubentito/t5-base-mpdocvqa | 223M | 0.5050 | 0.0000 |
12313321 | rubentito/hivt5-base-mpdocvqa | 316M | 0.6201 | 79.23 |
@article{tito2022hierarchical, title={Hierarchical multimodal transformers for Multi-Page DocVQA}, author={Tito, Rub{\`e}n and Karatzas, Dimosthenis and Valveny, Ernest}, journal={arXiv preprint arXiv:2212.05935}, year={2022} }