Samodejno razčlenjevanje kompleksnih postavitev dokumentov

Kuzman, Luka (avtor), Marolt, Matija (mentor)

Razčlenjevanje kompleksnih vrst dokumentov, kot so revije, je zahtevnejše od razčlenjevanja preprostejših dokumentov, na primer znanstvenih člankov. Primerne zbirke za razčlenjevanje slovenskih dokumentov doslej še ni bilo. V sklopu magistrskega dela smo z ročnim anotiranjem 35 dokumentov, ki vsebujejo 881 slik, ustvarili prvo takšno zbirko v slovenščini. Na njej smo ovrednotili celovite modele za razčlenjevanje in posamezne dele cevovodnega pristopa; najbolje se je izkazal Youtu-Parsing z oceno razdalje urejanja 0,031. Na zbirki smo naučili model DocLayout-YOLO, ki dosega mAP 64,3 %. Razvili smo tudi cevovod, ki s temi modeli iz dokumentov izlušči članke ter jih obogati z metapodatki.

• Jezik: Slovenski jezik
• Ključne besede: razčlenjevanje dokumentov, analiza postavitve dokumentov, segmentacija, vrstni red branja, slikovno-jezikovni modeli, slovenske revije
• Vrsta gradiva: Magistrsko delo/naloga
• Organizacija: FRI - Fakulteta za računalništvo in informatiko
• Leto izida: 2026
• PID: 20.500.12556/RUL-189793
• Datum objave v RUL: 15.10.2026

Sekundarni jezik

• Jezik: Angleški jezik
• Naslov: Automatic parsing of complex document layouts

Izvleček

Parsing complex document types, such as magazines, is more demanding than parsing simpler types, such as scientific papers. Until now, no suitable dataset for parsing Slovene documents has been available. As part of this master's thesis, we manually annotated 35 documents containing 881 images, thereby creating the first dataset of this kind in Slovene. We used it to evaluate both end-to-end parsing models and their individual components; the best-performing model was Youtu-Parsing, with an edit distance score of 0.031. We trained the DocLayout-YOLO model on the dataset, achieving an mAP of 64.3%. We also developed a pipeline that uses these models to extract articles from documents and enrich them with metadata.

• Ključne besede: document parsing, document layout analysis, segmentation, reading order detection, vision-language models, Slovene magazines