改进YOLOv8表格行列单元格结构检测

当前数字办公文档中涵盖了大量的表格数据,因此智能化表格结构识别需求日益剧增,但表格结构紧密相连且表格结构类型复杂多变,从而导致表格结构检测难度极大。针对该问题,在YOLOv8的基础上,以ICDAR19-cTDaR表格单元格结构和TabStructDB表格行列结构为实验对象,提出了一种新型表格行列单元格结构检测方法。首先,为了增强表格单元格及行列特征提取能力,引入了可变形卷积网络(deformable convolution network,DCN)。其次,引入了空间通道重构卷积(spatial and channel reconstruction convolution,SCConv),该卷积不仅特征提取能力强而且能够减少冗余特征从而降低复杂性和计算成本。根据以上引入的卷积设计了一个新的模块——DSC模块以替代C2f中的Bottlenck模块,并命名为C2fDSC模块。此外,为了进一步加强表格结构的角落局部特征提取,在YOLOv8的骨干网络上加入了显示中心特征调节(explicit visual center feature adjustment,EVC)模块。最后,将原模型的损失函数替换为MPDIoU,在解决密集目标回归精度问题时,相较于原始模型损失函数,MPDIoU损失函数边界框回归的准确性和效率更高。实验结果表明,该表格结构检测算法在数据集ICDAR19-cTDaR上取得了目前最佳的实验效果(SOTA),单元格查准率、查全率和F1值分别为91.7%、82.3%和86.7%,在数据集TabStructDB表格行列检测中也取得了非常实用的性能结果。

基于阈值和区间筛选的SCMA多用户检测算法

在5G通信用户信息高吞吐量和大规模连接应用场景下,稀疏多址接入(sparse code multiple access,SCMA)可用于改善5G智慧场景通信质量。为了降低SCMA系统检测端算法复杂度,基于Max-log-MPA算法,提出了一种基于单阈值门限和区间范围的多参数组合设定的消息传递算法。在用户信息值迭代运算前利用门限阈值进行判断,当满足设定条件后方可参与算法的迭代过程,迭代计算过程中再次设定区间参数进行过滤筛选,使得通信场景所需的用户节点概率值参与计算,用户信息得到译码,2部分参数均可一定程度筛选用户信息值,从而达到降低算法复杂度的目的。仿真结果表明,提出的算法收敛速度和算法复杂度明显优于消息传递算法(message passing algorithm,MPA),误比特率(bit error ratio,BER)性能损失也可得到保证,在误码率性能和算法复杂度权衡之间有灵活的参数组合方案,具有很强的适应性。