---
title: math-block-det
canonical_url: "https://www.modelscope.cn/datasets/irhawks/math-block-det"
md_url: "https://www.modelscope.cn/datasets/irhawks/math-block-det.md"
repository: irhawks/math-block-det
chinese_name: "公式块检测数据集"
last_updated: 2024-11-05
license: "Apache License 2.0"
storage_size: "10 MB"
downloads: 876
stars: 0
---

# math-block-det

> math-block-det - irhawks 在 ModelScope 开源的数据集。公式块检测任务会将数学公式连同公式的编号（有些文献公式的编号在左，有些文献中数学公式的编号在右，还有一些公式，编号并不是阿拉伯数字）合在一起。公式块检测主要用于后续将数学公式与其编号关联起来，从而更高质量地重建文档内容。公式块的边界有两种方式。一种是实际的边界，将公式及其编号文字所在的区域盖住即可。另外一种是与所在栏对齐，宽度与所在栏相同。目前的数据集和模型采用第二种。

irhawks/math-block-det 是 ModelScope 魔搭社区上的数据集，存储大小 10 MB，采用 Apache License 2.0 许可。

- **Repository**: irhawks/math-block-det
- **License**: Apache License 2.0
- **Storage size**: 10 MB
- **Downloads**: 876
- **Stars**: 0
- **Last updated**: 2024-11-05

Source: https://www.modelscope.cn/datasets/irhawks/math-block-det

---

**当前任务：公式块检测数据集**

# 下载方法

:modelscope-code[]{type="sdk"}
:modelscope-code[]{type="git"}

# 任务说明

## 页面结构分析（geometry-det）

页面结构分析任务以文档图像为输入，将文档图像分为几个大的区域，检测出其位置并给出其类型。**本任务检测出的版面元素类型包括以下四种类型：版芯、页眉、页脚、边注（细分为版芯左侧和版芯右侧两种类型）**。

页面结构分析任务一般可以作为文档图像结构分析与内容识别任务的起点，可以有效地从文档图像中定位正文所在的位置，并决定页眉、页脚、边注等附属区域的相应位置，有助于后续任务聚焦于各自的重点区域。

示例图如下：

![](images/paste-12.png)

## 分栏区域检测（columnn-det）

分栏区域检测任务主要以包含页面的一个文档图像的版芯区域作为分析对象，分析版芯内部的分栏的情况，在许多报纸、学术论文、杂志以及网页等来源的文档图像中，经常会使用多栏布局紧凑地展示出版物的内容，并且可能在引入标题、插图和标题的时候，掺入一些多栏元素。这种做法能够提高页面的利用率，但是也需要我们进一步细化标注标准，避免出现模糊的定义。原则上，分栏区域检测也可以定义在页眉、页脚和边注等区域当中。

分栏区域检测任务一般可以与版面结构分析任务并行运行，也可以与页面结构分析任务并行运行，分栏的结果，通常会得到若干个“单栏区域”。

分栏区域检测任务对于确定阅读顺序影响巨大。通常在进行分栏区域检测之后，确定版面结构分析任务所得到的诸元素的顺序就变得极为简单，甚至可以将这些元素关联到各个单栏区域，将单栏区域按照从左到右，从上到下的顺序直接排序，就可以得到阅读顺序识别结果。这样，原则上就可以不用单独训练阅读顺序识别模型了。

示例图如下：

![双栏排版下的页面分栏情况](images/image1.png)

## 版面结构分析（layout-det）

版面结构分析任务（习惯称为Document Layout Analysis，简称DLA）以文档图像为输入，输出得到文档图像中的各类元素及其位置。其中**版面元素的类别有以下七个：正文文本、章节标题、行间公式、文档插图、文档附表、浮动标题、其他类型**。正文文本在标注时，以一个段落为一个元素，多个段落标为多个正文文本元素。

版面结构分析任务通常是文档图像结构分析与内容识别任务的核心部分。通过版面结构分析，在文档图像的结构比较复杂，含有插图、附表、公式等多种类型的元素时，可以有效地将不同种类的元素区分开，确定将不同区域的元素送入到不同的识别模型（比如针对文本的识别，针对表格的识别，针对公式的识别）或进一步的结构分析模型（对浮动体结构的分析，或对表格结构的分析），从而为复杂文档中的各个部分的内容分析和识别提供一个较为合理的处理依据。

示例图如下：

![](images/paste-13.png)

## 浮动体位置检测与结构分析（floating-det）

浮动体位置/目标检测（FLD）与结构分析（FSA）数据集及模型详见<https://modelscope.cn/datasets/irhawks/floating-det>。其中，浮动体位置检测可以在文档图像中检测浮动体的位置，并将其分类为**插图、附表、算法、代码、其他共五类**。

浮动体位置检测和结构分析任务可以作为版面结构分析任务的重要补充，以弥补当前从版面结构分析任务中难以将浮动体内部的标题与对应浮动体的主体正确地关联起来的不足。也就是说，借助于FLD和FSA任务，可以在各个版面元素的内容被识别之后的全页内容重建的环节，通过浮动体结构分析等算法，正确地将浮动体的标题和子标题，与对应的插图、附表、算法块和代码块等元素正确地关联起来。

此外，FLD和FSA任务也可以作为版面结构分析的扩展，在相应位置，将FLD和FSA的结果替代掉版面结构分析结果中对应位置的元素，从而解决版面结构分析中对浮动体的处理方式散乱带来的一系列问题。

## 列表区域检测（paralist-det）

列表区域检测任务主要用于检测文档图像中的带有序号和前导符的区域，识别整个列表所在的范围，**列表区域原则上应包括无序列表、有序列表、描述列表三种，但当前我们统一标为List**。本任务的数据预标注来自DocGenome，在此基础上用XAnyLabel进行人工调整。

现代社会中人们要传达的信息越来越多，更加倾向于通过列表的方式列出核心内容，以便条理清晰，便于快速抓住重点。因此对列表区域的检测，以及列表区域中各个列表项的位置的推断变得越来越重要。

列表区域检测任务通常可以和版面结构分析任务相配合，通过位置关系，判断后者所识别的正文文本、行间公式等元素与列表区域的关联关系，从而有希望正确地推断出对应正文文本或行间公式在列表中的序号。

示例图如下：

![](images/paste-5.png)

## 公式块检测（math-block-det）

公式块检测任务不同于数学公式检测。后者主要是检测出来数学公式所在的区域，并将数学公式的图片送入数学公式识别（MFR）模型。公式块检测任务会将数学公式连同公式的编号（有些文献公式的编号在左，有些文献中数学公式的编号在右，还有一些公式，编号并不是阿拉伯数字）合在一起。公式块检测主要用于后续将数学公式与其编号关联起来，从而更高质量地重建文档内容。

公式块的边界有两种方式。一种是实际的边界，将公式及其编号文字所在的区域盖住即可。另外一种是与所在栏对齐，宽度与所在栏相同。目前的数据集和模型采用第二种。

示例如下：

![](images/paste-8.png)

# 数据示例

## geometry-det（页面结构分析）

一般将脚注视为栏的一部分，属于版芯；页码视为页脚的一部分。

![](images/paste-2.png)

![](images/paste-3.png)

![](images/paste-4.png)

## column-det（分栏区域检测）

当页面只有一栏时，单栏区域的边界位置与版芯的范围保持一致。需要注意的是，有一些文献，脚注是属于特定的分栏的，因此也是栏的一部分。

当多个图片分别进行编号时，每张插图视为一个单栏的栏，但是如果多个图片合在一起作为一个大浮动体的子浮动体，则将浮动体作为一个整体，不进行分栏。

![含有浮动体时的分栏结果](images/paste-1.png)

## layout-det（版面结构分析）

## floating-det（浮动体位置检测）

浮动体位置检测、浮动体结构分析等模型已发布，见如下地址：

-   浮动体位置检测模型：https://modelscope.cn/models/irhawks/floating-det

-   浮动体位置检测数据集：https://modelscope.cn/datasets/irhawks/floating-det

-   浮动体结构分析模型：https://modelscope.cn/models/irhawks/floating-fsa

-   浮动体结构分析数据集：https://modelscope.cn/datasets/irhawks/floating-fsa

## paralist-det（列表区域检测）

列表包含使用阿拉伯数字引导的列表，或者使用圆圈等符号引导的列表。需要注意的是，章节标题并不视为列表。

![](images/paste-6.png)

![](images/paste-7.png)

## math-block-det（公式块检测）

当公式有编号时，公式块将编号纳入其中；当行间公式没有编号时，与行间公式的区域范围保持一致。

![](images/paste-10.png)

![](images/paste-11.png)