现有文档版面分析方法大致可分为两种：基于NLP的方法将版面分析任务看作是序列标签分类任务（sequence labeling），但是该类方法在版面建模上表现出不足，无法捕获空间信息；基于CV的方法则将版面分析看作是目标检测或分割任务（object detection or segmentation），该类方法的不足表现在（1）缺乏细粒度的语义、（2）简单的拼接方式、（3）未利用关系信息。如图1展示的VSR的motivation示意图，为解决上述各方法的局限性问题，本文提出一种融合视觉、文本、关系多模态信息的版式分析架构VSR （Vision， Semantic， Relation）。

1. 问题定义

  版式分析任务既可当做序列标签分类，又可当做目标检测。主要区别在于部件候选（component candidates）的选择。对于基于NLP方法，即序列标签分类的定义，选择通过pdf解析或OCR识别得到text tokens；对于基于CV方法，即目标检测或分割的定义，选择通过目标检测网络如Mask RCNN得到的区域RoI。VSR主要围绕目标检测的定义展开，同时VSR也可以很直接地应用到基于NLP的方法上。

2. VSR架构

  VSR架构如图2所示，主要包括三个模块：双流卷积网络(two-stream ConvNets)、多尺度自适应聚合模块、关系学习模块。首先，双流卷积网络提取视觉和语义特征；然后，相对于简单的拼接，多尺寸自适应聚合模块来得到视觉和语义双模态信息表示；接着，基于聚合的多模态信息表示，可以生成布局组件候选集；最后，关系学习模块来学习各组件候选间的关系，并生成最终结果。下面对各模块具体展开。

2.1 双流卷积网络

  VSR采用双流卷积神经网络（本文采用的是ResNeXt-101）来分别提取图像视觉信息和文本语义信息。

视觉ConvNet

  对于输入图片 $V_{0}=\mathbb{R}^{H\times W\times 3}$，通过骨干CNN网络，得到视觉信息的多尺度特征图 $\{V_{2},V_{3},V_{4},V_{5}\}$，其中 $V_i\in \mathbb{R}^{\frac{H}{2^i}\times \frac{W}{2^i}\times C_{i}^{V}}$， $H$和 $W$分别是图片的高和宽， $C_{i}^{V}$是通道数。

语义ConvNet

  VSR将文本转换为2D表示 $S_{0}=\mathbb{R}^{H\times W\times C_{0}^{S}}$, 其中 $C_{0}^{S}$是初始通道维度（本文取64）。根据字符和语句两种粒度分别得到CharGrid和SentGrid:

$$CharGrid_{ij}=\left\{\begin{matrix} E^{c}(c_k) & if (i,j)\in b_k^c\\ 0 & else \end{matrix}\right. \tag{1}$$

其中 $c_k$表示第 $k$个字符， $b_k^c = (x_{0}; y_0; x_1; y_1)$ 是其对应两点标注（左上角和右下角横纵坐标）， $E^{c}$是词向量映射操作。

$$SentGrid_{ij}=\left\{\begin{matrix} E^{s}(s_k) & if (i,j)\in b_k^s\\ 0 & else \end{matrix}\right. \tag{2}$$

其中 $s_k$表示第 $k$个语句， $b_k^s = (x_{0}; y_0; x_1; y_1)$ 是其对应两点标注， $E^{s}$是预训练的BERT模型。
  对字符和语句两个粒度的语义信息进行融合，得到文本2D表示 $S_{0}$：

$$S_{0} = LayerNorm(CharGrid+SentGrid) \tag{3}$$

将 $S_{0}$输入到骨干CNN网络，得到文本信息的多尺度特征图 $\{S_{2},S_{3},S_{4},S_{5}\}$，与视觉信息的多尺度特征图 $\{V_{2},V_{3},V_{4},V_{5}\}$是同样的尺寸和维度。

2.2 多尺寸自适应聚合模块

  在得到各模态的特征图表示后，通过一个卷积层得到attention map $AM_i$，再基于attention map对各模态特征进行聚合得到聚合特征图 $FM_i$：

$$AM_i = h(g[V_i, S_i]) \tag{4}$$

$$FM_i = AM_i\odot V_i + (1 - AM_i)\odot S_i \tag{5}$$

其中 $g$是一个卷积核尺寸为 $1\times 1\times (C_i^V + C_i^S)\times C_i^S$的卷积层， $h$是非线性激活函数。随后 $FM=\{FM_{2},FM_{3},FM_{4},FM_{5}\}$经过特征金字塔网络FPN得到最终的多模态聚合特征。

2.3 关系学习模块

  在得到FM后，可以通过RPN网络很容易得到ROI（Region of Interest）作为布局部件候选集。本文在实验阶段选择的是Mask RCNN，同时设置7个anchor比例 $(0.02, 0.05, 0.1, 0.2, 0.5, 1.0, 2.0)$得到部件候选集。如图3所示，根据各部件候选之间的关系，可以有如下作用：（1）利用空间位置关系，调整文本框坐标；（2）根据部件间的共现关系（比如表格和表格标题一般会同时出现）修正预测标签；（3）各component间不重叠的特性移除多余框。VSR中关系学习模块对各部件候选间的关系进行建模，并最终得到版面分析的结果。

  将一篇文档作为一张图graph，而每个部件候选component candidate作为节点node。每个节点的特征表示由多模态特征表示和位置信息表示组成：

$$z_j = LayerNorm(f_j+e^{pos}_j(b_j)) \tag{6}$$

其中 $f_j=ROIAlign(FM, b_j)$，而 $e^{pos}_j(b_j)$是位置坐标的向量表示。
  通过self-attention机制来学习关系：

$$Z' = Attention(Q,K,V) = softmax(\frac{QK^T}{\sqrt{d_k}})V \tag{7}$$

其中 $Q，K，V$都是由 $Z=\{z_1, z_2, ..., z_N\}$来表示, $Z'=\{z'_1, z'_2, ..., z'_N\}$是经过self-attention后的输出结果。
  计算节点即部件候选的分类概率：

$$\tilde{p}^c_j = softmax(Linear_{cls}(z'_j))\tag{8}$$

  计算节点即部件候选的边框坐标回归：

$$\tilde{b}_j= Linear_{reg}(z'_j) \tag{9}$$

2.4 优化训练

序列标注的定义下：

  采用分类交叉熵进行优化：

$$\mathcal{L} = -\frac{1}{T}\sum_{j=1}^{T}y_jlog(\tilde{p}_j) \tag{10}$$

其中 $T$是text token的个数， $y_j$是序列标注的groundtruth。

目标检测的定义下：

  优化损失函数计算：

$$\mathcal{L} = \mathcal{L}_{DET} + \lambda \mathcal{L}_{RM} \tag{11}$$

其中 $\mathcal{L}_{DET}$是候选生成阶段的损失，包括交叉熵（用于分类）和smooth L1（用于边框回归）； $\mathcal{L}_{RM}$是关系学习模块的损失，同样包括交叉熵（用于分类）和smooth L1（用于边框回归）。本文实验中设置 $\lambda = 1$。

3. 实验结果

3.1 对比实验

  VSR在三个开源数据集Article Regions，PubLayNet，DocBank上取得了最优结果。

3.2 消融实验

  表5、表6、表7的实验结果分别验证了A.不同粒度的文本表示；B.双流卷积网络和聚合模块；C.关系学习模块三个部分的有效性。

4. 总结

VSR方法的三个重要部分如下：
（1）文本语义用character和sentence两种粒度来表示；
（2）采用two-stream convnet来分别提取视觉和语义特征，再通过attention将两个模态特征聚合，最后基于聚合特征得到component candidates；
（3）GNN即Self attention来学习各component candidates间的关系。