文書情報抽出における視覚接地の補強：アノテーション不均衡下での補助データ比較
概要
文書画像情報抽出における視覚接地（Visual Grounding; VG）では，抽出値と矩形領域の対を持つデータが必要となる。
しかし，実運用では，項目ごとにアノテーションの種類や量が偏り，ターゲット項目のVGデータが不足する場合がある。
本研究では，このような状況において，矩形を含まない同一項目の視覚的質問応答（Visual Question Answering; VQA）データを補助的に用いる場合と，他項目のVGデータを用いる場合を比較する。
実験の結果，他項目VGによる項目横断的な転移は限定的であった一方，同一項目VQAデータは抽出精度と矩形推定精度の双方を改善した。
さらにAttention分析により，同一項目VQA学習が正解領域への注意集中を高める傾向を確認した。