用于文档理解的数据增强的系统和方法与流程

技术特征：
1.一种用于允许多个文档的文档分类的数据增强的方法，所述方法包括：将所述多个文档转换成图像；获得用于被包括在所述多个文档中的每个页面的矢量表示；基于相似性从所述图像创建多个群集，其中所述多个群集中的每个群集代表不同的页面格式；从所述多个群集中的每个群集选择一个图像；编译从所述多个群集中的每个群集选择的所述一个图像，以创建逻辑上完整的文档；以及基于所述完整的文档来训练所述分类。2.根据权利要求1所述的方法，其中从每个群集选择一个图像确保每个格式被用于训练所述模型。3.根据权利要求1所述的方法，其中创建多个群集从所述矢量发生，以标识不同的页面格式。4.根据权利要求1所述的方法，其中所述图像和矢量表示使用预先训练的图像模型而被获得。5.根据权利要求所述的方法，其中经训练的所述模型包括vgg和resnet中的至少一个。6.根据权利要求1所述的方法，其中通过被称为主分量分析(pca)的ml技术或提供页面的大量维度的基于正常vgg的群集以降低维数，所述群集被形成。7.根据权利要求6所述的方法，其中所述维度为6。8.根据权利要求6所述的方法，其中使用pca将所述多维信息编码成较少的简洁维度。9.根据权利要求6所述的方法，其中所述维度为4
‑
10个维度。10.根据权利要求1所述的方法，其中最适合所述图像特征的群集(k)的总数目被获得。11.根据权利要求10所述的方法，其中通过执行图像的所述群集，k的值被获得，并且所述k的值从2变化到10。12.根据权利要求10所述的方法，其中k值能够使用elbow方法和silhouette索引以最小的误差和最高的群集准确性而被确定。13.一种用于执行用于数据增强的方法的计算设备，所述数据增强允许多个文档的文档分类，所述设备包括：处理器，被配置为将所述多个文档转换成图像；存储器，被配置为存储所述图像；所述处理器被配置为：获得用于被包括在所述多个文档中的每个页面的矢量表示；所述处理器被配置为：基于相似性从所述图像创建多个群集，其中所述多个群集中的每个群集代表不同的页面格式；所述处理器被配置为：从所述多个群集中的每个群集选择一个图像；所述处理器被配置为：编译从所述多个群集中的每个群集选择的所述一个图像，以创建逻辑上完整的文档；所述存储器被配置为存储所述逻辑上完整的文档；以及所述处理器被配置为基于所述完整的文档来训练所述分类。14.根据权利要求13所述的设备，其中从每个群集选择一个图像确保每个格式被用于
训练所述模型。15.根据权利要求13所述的设备，其中创建多个群集从所述矢量发生，以标识不同的页面格式。16.根据权利要求13所述的设备，其中所述图像和矢量表示使用预先训练的图像模型而被获得。17.根据权利要求13所述的设备，其中经训练的所述模型包括vgg和resnet中的至少一个。18.根据权利要求13所述的设备，其中通过被称为主分量分析(pca)的ml技术或提供页面的大量维度的基于正常vgg的群集以降低维数，所述群集被形成。19.根据权利要求13所述的设备，其中使用pca将所述多维信息编码成较少的简洁维度。20.根据权利要求13所述的设备，其中k值能够使用elbow方法和silhouette索引以最小的误差和最高的群集准确性而被确定。

技术总结
一种系统、方法和用于执行数据增强的方法的计算设备被公开，数据增强用于允许多个文档的文档分类。该系统、方法和计算设备包括：处理器，被配置为将文档转换成图像；存储器，被配置为存储图像；处理器被配置为：获得用于被包括在文档中的每个页面的矢量表示；处理器被配置为：基于相似性从图像创建群集，其中群集中的每个群集代表不同的页面格式；处理器被配置为：从每个群集选择一个图像；处理器被配置为：编译从每个群集选择的一个图像，以创建逻辑上完整的文档；存储器被配置为存储逻辑上完整的文档；以及处理器被配置为基于完整的文档来训练分类。练分类。练分类。


技术研发人员：R
受保护的技术使用者：尤帕斯公司
技术研发日：2021.03.22
技术公布日：2021/11/30