基于YOLO的多尺度文档布局分析统一框架：动态卷积与轴向注意力融合的创新方法

《Expert Systems with Applications》：YOLO-DLA: A YOLO-Based Unified Framework for Multi-Scale Document Layout Analysis

本文提出YOLO-DLA创新框架，通过构建AcadLayout数据集、引入KWConv动态卷积和PRDM-neck模块，结合宏→中→微的课程学习策略，有效解决多尺度文档布局分析（DLA）中特征提取与尺度失衡难题，为科学文档智能处理提供新范式。

　　

亮点

我们的主要贡献包括：

(1) 针对现有数据集缺乏细粒度布局标注的问题，我们构建了AcadLayout专用数据集，包含13种科学文档布局元素类型（如多级标题、公式、图注）。

(2) 为解决多尺度特征提取挑战（特别是微尺度元素），创新性集成KWConv动态卷积方法，根据局部特征自适应调整卷积核权重。

(3) 为实现跨尺度鲁棒特征融合，提出PRDM-neck模块，独特融合轴向注意力与多尺度上下文聚合技术。

(4) 针对科学文档尺度失衡问题，提出尺度感知课程学习策略，按宏→中→微尺度渐进训练，全面提升检测均衡性。

结论与未来工作

为解决多尺度文档布局中特征提取与全局语义建模的双重挑战，我们提出YOLO-DLA框架，通过动态卷积核优化与全局上下文建模的协同组合，将DLA重构为多尺度目标检测问题。该方法采用：(1) 动态核库机制增强局部特征表征；(2) 集成轴向注意力的多尺度特征金字塔；(3) 尺度感知课程学习策略。未来将探索跨模态融合与自监督学习在复杂文档解析中的延伸应用。