请教一下第5章发票识别的数据合成

[YFZh]

作者大大，在第5章提到发票识别系统中，首先需要清洗一批发票，抹去其中的文字，然后使用常用的字体····。想请教以下几个问题：
1.这样合成的数据要用在检测和识别两个阶段吗？
2.需要的语料怎么获取。有没有相关的资源共享呢？
3.清洗发票时，需要抹去所有文字吗？如果是这样的话，原始字段有些特殊的格式，比如换行/比较大的字符间距等，这样的话如何控制字段生成呢？
4.发票字段生成的方法论？发票识别与通用文字识别不同，比如增值税发票，其原始的字段分布是服从一定规则的。
5.发票中有的字段的字符距离较大：导致被检测成两部分。有什么解决办法，或者好的后处理方法呢

[liushuchun]

你好，读者。我尝试给您一些答复：
1.主要用在识别阶段，如果是票据类的检测还是相对容易的，标注几百张一般就能work，识别需要的数据集就要大太多了.
2.语料需要根据具体的业务进行搜集，可以先在通用的wiki等语聊用来训练，然后在自己的数据规则进行针对性的训练.
3. 可以尽量抹去，生成的时候可以相对随意一些，可以增强模型的鲁棒性.
4. 方法论，还是要多观察数据的规则和分布进行仿真，最好在通用模型上，增加自己的数据集，这样finetune出来的模型更加稳定.
5.字符距离较大，可以有几种方式解决。举个例子，可以尝试：
一种使用后期的规则进行合并，根据识别结果计算nlp中的概率和方位坐标进行合并;这种方式存在不少问题，不太好维护。
第二种方式是通过网络的方法，可以使用anchor的方法，多标注这类数据，增加这类数据的召回能力，这种方式也存在问题，容易把不该连在一起的搞在一起。