Djupinlärning för klassifikation av inskannade dokument : Vad är viktigt?
Notice bibliographique
Résumé
This thesis investigates how the quality and quantity of data affect the performance of deep learning models in multimodal document classification. It explores when the input documents are represented both as images and as OCR-extracted text from the image. While deep learning models have shown strong performance on clean, large-scale datasets, many applications often involve noisy data and limited annotations, especially in sensitive domains such as healthcare. To study these effects, a series of controlled experiments are designed that simulate degraded data conditions. The training dataset size is reduced and artificial corruptions are applied to both visual image resolution and textual OCR quality modalities. The impact of these manipulations are evaluated both individually and in combination across several degradation levels, using the Ryerson Vision Lab Complex Document Information Processing (RVL-CDIP) dataset as a proxy for medical document collections. The results indicate that image degradation has a slightly greater impact on model performance than reduced text quality or training set size alone. When both modalities are degraded, performance drops significantly, even when using a very large dataset size. These findings suggest that deep multimodal models are particularly sensitive to visual input quality. But as long as at least one modality remains informative, the model can maintain reasonable accuracy even with limited data. Implementation details, evaluation procedures, and a reproducible pipeline are provided to support further research in low-resource settings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».