用户工具

站点工具


多模态语料小组年度总结报告

这是本文档旧的修订版!


截止 2024 年末,MNBVC 多模态数据小组在三大领域取得了显著进展:

1. 文本类数据 - 完成格式定义、数据解析与发布 - 主要数据来源:糗事百科、Internet Archive - 以网页类型数据为主

2. 视觉文档类数据 - 完成格式定义、数据解析与发布 - 以 PDF 类数据为主要处理对象

3. 音视频类数据 - 完成格式定义、数据解析 - 主要来源:MNBVC 每周例会记录

已发布数据集: - 糗事百科数据 - 剧本杀数据 - DocLayNet 数据

数据规模: - 文本数据:526.14M - 图片数据:3.61M

数据与任务总结

1、文本类项目 - arXiv 数据。本年度主要完成了原始 tex 转换为 Markdown 图文交错数据以及从 arXiv 中提取图片、公式、表格构建的图文对数据; - 网页图文数据。本年度完成了糗事百科图文对数据发布; - 初步探索网页 warc 数据处理流程;

2、视觉文档类项目 - chinaXiv 数据。本年度完成了 chinaXiv PDF 数据的解析; - 剧本杀数据。本年度完成了剧本杀数据发布 - 初步探索复杂文档数据处理流程;

3、音视频类项目 - 会议音频数据。本年度完成了音频提取解析; - 会议视频数据。本年度完成了视频相关工具的调研; - 初步探索视频数据处理流程

组内人员及贡献

文本类项目成员

成员 工作内容
—————-
hertz 编写xxarxiv_mnbvc的论文爬虫
Murphy 主要是做了几次论文的分享,跟大家一起讨论 MLLMs 的理解
Ez PDF 行数据识别、可视化、音频识别、切割
leamon 针对warc数据进行解析和转换,lda模型对pdf进行大体分类的正确性的实验
gan 协助进行chinaxiv论文的收集
CG 利用groid分析arxiv文本,按照论文布局排列内容;使用正则规则将公式提取(这一部分可能不会合并到主分支)

视觉文档类项目成员

成员 工作内容
—————-
小鑫 剧本杀的处理,文字识别处理
七窝 arxiv数据处理,实现latex到markdown的数据转换
天哥 DocLayNet公开数据集处理、会议录音、剧本杀音频处理
猪猪侠 参与chinaxiv pdf解析,免费利用yolo进行版面分析(最后未能使用上)
苍绮皓 主要负责文档类数据规划和产出。完成 mnbvc 多模态格式定义、网页数据图文对提取(模板版)

其他支持成员

成员 工作内容
—————-
大光 项目管理和运营
学鹏 pdf质量分类算法探究
arxiv多模态图文对
小王 一些基础支持,比如整理文档等
多模态语料小组年度总结报告.1741941604.txt.gz · 最后更改: 2025/03/14 16:40 由 MNBVC项目组