关于训练数据需要ocr结果的思考

[whalefa1I]

tab_pre.py代码中表述的可能是合并单元格后单元格内部换行，参考：.\pubtabnet\train\PMC1626454_002_00.png

通过横向投影直方图确定有几个H_Start，如果不为1才要进行后续处理，所以可能是这个思路

[cqray1990]

@whalefa1I 他制作的label json文件是如何的呢？

[whalefa1I]

@whalefa1I 他制作的label json文件是如何的呢？

我现在缺少ocr文件，可能需要手动加上一些row/col信息。我可以跑出来一些他制作的label Json文件，你可以尝试下载pubtab net 数据集自己进行尝试，通过断点并注释掉需要ocr文件的那行，可以看出来是可以有文件生成的。最近学校有点忙，可能得下周才能继续淦，有问题随时沟通。具体来说他的训练数据是通过html数据自带的行列号信息生成邻接矩阵，并通过横向投影确定是否存在cell内部分行，如果没分行就简单处理(就是这里可以跑通)，如果判断存在分行就复杂处理(我还没时间做ocr文件)。然后通过邻接矩阵寻找到单元格横向纵向的关系，我记得纵向是father 横向是mother。您先尝试下载数据集，然后缺少的先注释掉的方式进行尝试，随时沟通！

[Suki-07]

@whalefa1I 您好！我有些问题想请教你可以＋wx交流吗，我最近也在做这个，如果可以的话你可以加我吗19937382642

[SWJDADA]

可以提供一份训练数据吗》原链接失效了