别再搞纯文本了！多模文档理解更被时代需要！

文 | Ryan

都已经2021年了，互联网已经今非昔比，20年前纯文本的日子已经一去不复返，文字已经满足不了网页、文章的需求，绝大部分都会有着精心设计的表格、图片，甚至视频。PDF文档这种富文本格式拥有更加复杂的结构信息，其流行程度已经远超TXT。大到工作报告，小到收银条，形形色色的文档充斥着各个角落，如何利用这些文档中丰富的信息呢？智能文档理解成为了许多大厂的关注要点。

ML模型做文档理解的第一步往往是OCR，即Optical Character Recognition，光学字符识别，能将文档图片中的文字转化为计算机可识别的文字。寻常情况下到此为止。然而，平日里形形色色的文档经过OCR之后，只留下单调的字符串，格式布局中蕴含的海量信息并没有得到很好的利用，文档中许多文本以外的信息无法很好地被计算机所理解。

于是MSRA将多模态技术运用到文档图片中，结合3种模态：文本text、图片visual、布局layout，去年提出了LayoutLM。今天介绍的是升级版，LayoutLMv2，通过预训练模型实现智能文档理解，关注文档图片中的信息抽取，类型识别，以及文档问答，一举刷新了6个榜单。

多模态预训练已经不是一个新话题了，已经有不少多模态预训练模型，小屋往期也有介绍，不熟悉的同学可以看一下这里，但是针对文档图片的，LayoutLM系列可谓是一个新的尝试。现有的多模态预训练模型大多建立在照片之类的图像，与LayoutLM系列涉及的文档图片有着天壤之别，文档图片中包含的是字符，与NLP更加紧密，让多模态语言建模更加简单直接。

论文题目:
LayoutLMv2: Multi-modal Pre-training for Visually-Rich Document Understanding

论文链接:
https://arxiv.org/abs/2012.14740

Arxiv访问慢的小伙伴也可以在【夕小瑶的卖萌屋】订阅号后台回复关键词【0129】下载论文PDF~

LayoutLMv2论文主要介绍了三部分：多模态特征提取、相对位置Attention、3个多模态预训练任务。

文档图片的多模态

文档图片既是文档又是图片，平平无奇的一页纸就蕴含了多种特征。当我们将一个文档图片输入到OCR识别后，我们不仅仅能获得文字信息(text)，同时得到各个文字所在的位置，是为布局特征(Layout)，将图片本身输入视觉模型，就可以得到丰富的视觉信息(visual)。

针对三种特征，LayoutLMv2分别建模：

文字信息，即OCR识别出的文字的内容：基于传统的预训练语言模型，通过tokenizer处理后，直接词向量嵌入。

视觉信息，即文档图片本身：LayoutLMv2利用ResNeXt-FPN对整个文档图片提取特征，将得到的WxH的feature map拉平为WH长的特征序列，并通过线性层映射到固定维度，因为基于CNN的视觉模型无法学习顺序信息，LayoutLM额外加上了和BERT一样的Postion Embedding。

布局信息，即OCR识别出的文字的位置：实际上是标注文字位置的坐标，LayoutLMv2同样通过向量嵌入技术，将坐标归一化到[0, 1000]并取整，再映射到对应的向量，最后将横纵坐标对应的向量相连接。

LayoutLMv2将视觉特征和文本特征融合到一个统一的序列中，通过Segment Embedding加以区别，并与对应的布局特征分别求和。

考虑相对位置的Transformer

得到了融合特征，下一步就是多层Transformer了，不过LayoutLMv2在传统的Transformer中添加了考虑到相对位置的Attention机制，将不同位置之间的Attention权重增加相对应的bias，不同的bias对应位置之间的相对距离。

3个多模态预训练任务

多模态预训练任务不仅需要学习文本本身的特征，更需要利用好文本和其他模态之间的关联。

Masked Visual-Language Modeling: 和传统BERT类似，LayoutLMv2会mask若干词的文本特征，并在输入图片中将这些词的位置涂黑，但保留布局特征，让模型预测丢失的词。这是利用上下文和布局信息去恢复文本信息。
Text-Image Alignment: 输入图片时将若干行覆盖(cover)，通过文本预测当前词是否被覆盖(cover)。这是利用上下文和文本信息去确定布局信息。
Text-Image Matching：和许多其他多模态预训练模型类似，LayoutLMv2在输入时会替换一部分图片，并让模型判断输入的图片与当前文字是否对应。这是学习视觉信息和其他模态的关联。

预训练的结果：6个数据集登顶！

预训练

LayoutLMv2在预训练中首先将模型初始化为UniLMv2的权重，由于UniLMv2是单纯的文本预训练模型，LayoutLMv2接着在IIT-CDIP的大量文档图片上预训练布局特征和视觉特征。

下游任务

LayoutLMv2针对智能文档理解的文档视觉问答DocVQA、文档分类、序列标注三个任务，并一举刷新了6个数据集的榜单。

文档视觉问答DocVQA：抽取式文档问答，即预测文本中某几段区域作为答案，任务转化为预测这段些段落的开始和结束，LayoutLMv2将问题文本、上下文文本和视觉特征作为输入序列中的三个segment：A、B、C，在上下文部分之上添加分类器。这个问题上，LayoutLMv2选用了DocVQA数据集，结果如下：
文档分类：即文档图片分类，类别诸如信件、收据等等，与传统的文本分类类似，LayoutLMv2选取输入序列中的[CLS]对应的隐藏状态进行分类预测。LayoutLMv2选用了RVL-CDIP数据集，并且将模型与文本预训练模型和视觉模型进行对比，取得了目前的SOTA：
序列标注：与传统的序列标注任务类似，即将文档内文字排成序列，预测各个单词的标签，这个任务上，LayoutLMv2选用了4个数据集：FUNSD、CORD、SROIE、Kleister-NDA，4个数据集涵盖了普通报表、单据小票各种格式，篇幅有限，这里只附上FUNSD数据集上的结果：

What's Next?

LayoutLMv2有着精心设计的模型、契合问题的预训练任务、丰富的下游实验，可谓是一篇十分出色的多模态预训练论文。

从结果中，我们也可以看到，针对文档智能理解的应用场景，在原本纯文本之外，加入布局与视觉信息，对结果有着很大的提高。这也并不意外，毕竟文档不仅仅是朴实的文字，布局信息或者说位置信息，与当前文字在整个页面内的作用十分相关，LayoutLM系列中很关键的部分即如何更好的利用位置信息，如何将这种低维度的特征融入到模型中，相信接下来这一方面会有更多相关的工作与尝试。

另外，图片分类任务大多使用视觉模型，但是文档图片和一般图片不同，内容与图片类型也是十分相关，虽然我们可以看到单纯基于文本的模型，如BERT、UniLMv2，略逊于单纯基于视觉的模型，如VGG-16、InceptionResNetV2等，但是如果将二者结合，就能够取得超过前两者的结果。

文档图片作为生活中十分常见的信息载体，同时又是天然的多模态材料，相信未来有着更多的工作。

萌屋作者：Ryan
本科毕业于北大计算机系，曾混迹于商汤和MSRA，现在是宅在家里的UCSD(Social Dead)在读PhD，主要关注多模态中的NLP和data mining，也在探索更多有意思的Topic，原本只是贵公众号的吃瓜群众，被各种有意思的推送吸引就上了贼船，希望借此沾沾小屋的灵气，paper++，早日成为有猫的程序员！
作品推荐：
1.Transformer哪家强？Google爸爸辨优良！