论文：Rethinking Table Recognition using Graph Neural Networks
作者：Shah Rukh Qasim, Hassan Mahmood, and Faisal Shafait
机构：School of Electrical Engineering and Computer Science (SEECS)
1、四个问题
1.要解决什么问题
传统方法精度低、不通用，深度学习方法中，基于检测分割的模型对于失真图像效果差，且表格数据形式上更像图结构，检测分割模型对图模型效果差；
对于深度学习方法，表格识别问题缺乏大规模数据集。
2.用什么方法解决？
使用图理论和图神经网络；
提出新型可微分网络结构，能够利用CNN图像特征提取，利用GNN做顶点间相互作用；
引入新型蒙特卡洛算法减少训练内存；
引入合成数据集生成办法。
3.效果如何？
- 通过两种SOTA的图网络算法和CNN算法比较，证明图网络更适合解决表格识别问题。
4.还存在什么问题？
- GNN只使用了顶点位置特征，对于自然语言处理特征并没有使用。
2、论文概述
2.1、基本思路
表格识别问题是作为版面分析的子问题，包括区域划分和构建结构化信息，而此领域还是以传统方法为主，深度学习并未大显身手
表格结构信息表示适合于用图的方式表示，即以单元格、行、列三个邻接矩阵进行表示
表格识别以图结构的邻接矩阵表示，因此不适于图像特征为主的检测、分割模型，因此图卷积网络更适合于此问题
本文主要论证图卷积更适合于表格识别问题，实验设计以相同参数量的GNN网络和CNN网络进行比较，另外表格识别问题没有大规模的数据集，实验是在作者合成的数据集上进行
网络结构中为了减少训练内存，引入新兴的蒙特卡洛算法
2.2、方法
2.2.1、 网络结构
网络结构分为三部分：卷积神经网络提取图像特征、交互作用网络顶点间交互、分类部分对三个图尽心二分类(顶点是否相邻)
算法分四个部分介绍：
1.卷积神经网络
2.交互作用网络
3.组合实时采样
4.分类
2.3、实验
实验设计四组不同类别的表格结构，评价指标采用领域内常用的真正例率和假正例率，并提出完美匹配率，共三个指标，来对比CNN网络方法(FCNN)和图卷积网络SOTA方法(GravNet、DGCNN)，结果证明图卷积网络更适合于表格识别问题。