O que é o DocVQA e quais modelos são populares lá?

O DocVQA (Resposta Visual a Documentos) é uma tarefa na área de visão computacional e processamento de linguagem natural, onde o sistema responde a perguntas baseadas no conteúdo de documentos (por exemplo, páginas digitalizadas, formulários, tabelas).

A principal dificuldade do DocVQA é combinar a compreensão do texto, a estrutura visual do documento e o contexto da pergunta.

Modelos populares para o DocVQA incluem:

• LayoutLM e LayoutLMv2 — modelos que combinam informações textuais, dados posicionais e características visuais do documento para uma melhor compreensão da estrutura.

• Donut (Transformer de Compreensão de Documentos) — um modelo multimodal que trabalha diretamente com imagens de documentos, sem necessidade de OCR prévio.

• TAP (Pré-treinamento Sensível ao Texto) — modelos que consideram o texto e as características visuais para melhorar a qualidade das respostas.

Estes modelos geralmente usam transformadores treinados em grandes conjuntos de dados de documentos com perguntas e respostas anotadas, permitindo resolver eficazmente tarefas de DocVQA.