Яндекс открыл набор данных PereStruct для разбора вёрстки старых газет

Команда Яндекса открыла PereStruct — набор данных и модульный разборщик для распознавания старых газетных вёрсток. Человек на скане советской газеты сразу видит крупный заголовок, продолжение текста в соседней колонке и подпись под фото. Модель видит десятки прямоугольников с нестандартными шрифтами и выцветшим фоном.

Авторы утверждают, что существующие модели, работающие с изображением и текстом одновременно, на такой вёрстке сбиваются: путают порядок колонок и приклеивают подписи к чужим статьям. Разборщик собран из отдельных шагов, а датасет выложен в открытый доступ, чтобы на нём можно было сравнивать решения.