dmtyl [MNBVC-Wiki]

dmtyl

这是本文档旧的修订版！

目录

多模态小组目标
小组任务
小组成果

多模态小组目标

将图文结合的网页、PDF、WORD文档等转换成多模态语料。

小组任务

1. 对纯中英文的PDF进行抽取，形成纯文本数据集

2. 对论文抽取成多模态数据集

3. 对复杂的PDF进行抽取

4. 更多多模态数据（文本，音频，视频等）

小组成果

扫描PDF文件夹然后对其进行采样：https://github.com/wanng-ide/scan_copy_pdfs_mnbvc

PDF分类器：https://github.com/Lu-Tan/pdf_CN_EN_filter_mnbvc

Arxiv抓取：https://github.com/wanng-ide/arxivSpider_mnbvc

dmtyl.1695622413.txt.gz · 最后更改: 2023/09/25 14:13 由 MNBVC项目组