CORD（Consolidated Receipt Dataset）は、Artificial intelligence内の文書理解の一分野であるレシート理解の研究のために設計された、公開されているデータセットである。このデータセットは、実世界の情報源から収集された11,000以上の注釈付きレシート画像で構成され、多様な店舗、レイアウト、言語をカバーしている。このデータセットは、ピクセルレベルおよびトークンレベルの注釈を提供し、キー情報抽出、セマンティックセグメンテーション、エンティティ認識などのタスクをサポートするため、レシートを処理するモデルを評価するためのベンチマークとなっている。
CORDは、2019年に韓国のNaver Corporationと科学技術大学の研究者によって導入された。このデータセットは、経費追跡、会計自動化、モバイル決済システムなどのアプリケーションにとって重要である、レシート解析用の標準化された大規模注釈付きデータの不足に対処するために作成された。リリース以来、CORDは学術研究と産業界で広く採用され、Deep learningおよびMachine learningによる文書インテリジェンスへのアプローチを比較するための標準的なテストベッドとして機能している。
CORDの注釈は、店舗名、日付、時刻、商品、価格、支払い方法などのカテゴリにレシート情報を整理する階層構造に従っている。各テキスト領域にはセマンティッククラスがラベル付けされ、領域間の関係（例：商品から価格へ）がキャプチャされる。この細かい注釈により、モデルはどの情報が存在するかだけでなく、それがどのように構造化されているかを学習でき、これは自動簿記などの下流タスクに不可欠である。
注釈構造
CORDの注釈スキーマは、メニュー、サブメニュー、商品、オプションの4つの主要カテゴリにわたる30のクラスを定義し、数量、単価、合計などの追加フィールドも含む。各テキストセグメントにはクラスが割り当てられ、セグメント間の空間的関係は有向エッジとしてエンコードされる。例えば、商品名は対応する単価と数量にリンクされる。この構造は、フラットな分類とリレーショナル学習の両方をサポートし、モデルが共同抽出と関係予測を実行できるようにする。
このデータセットには、各テキスト領域のバウンディングボックス、テキストコンテンツ、およびそのクラスラベルが含まれる。注釈はJSON形式で提供され、現代のNeural networkパイプラインとの簡単な統合を容易にする。階層設計により、トークンレベルとセグメントレベルの両方のパフォーマンス評価が可能になり、研究者に詳細なメトリクスを提供する。
AI研究への応用
CORDは、文書理解におけるモデルの開発とベンチマークのための参照点となっている。これは、視覚的特徴とテキスト的特徴を組み合わせたものなど、Transformer (architecture)ベースのアーキテクチャを訓練およびテストするために一般的に使用される。例えば、LayoutLMやDonutなどのモデルはCORDで評価され、最先端のパフォーマンスを進める上での有用性を示している。このデータセットはまた、モデルが生のレシート画像から構造化出力を生成するGenerative AIの研究もサポートする。
学術研究以外にも、CORDはレシートのデジタル化に依存する産業で実用的な応用がある。フィンテック、小売、物流の企業は、CORDで訓練されたモデルを使用してデータ入力を自動化し、手動エラーを減らし、顧客体験を向上させている。このデータセットのレシート形式の多様性は、モデルが異なるフォント、向き、照明条件などの実世界のバリエーションに一般化することを保証するのに役立つ。
技術的課題
レシート理解には、CORDが研究者が取り組むのに役立ついくつかの課題がある。レシートにはノイズの多いテキスト、重複する要素、不規則なレイアウトが含まれることが多く、正確なセグメンテーションが困難になる。さらに、CORDの言語と通貨の多様性により、モデルは多言語および多形式の入力に対処する必要がある。もう1つの課題は、一部のテキスト領域が小さいことであり、検出システムが見逃す可能性がある。CORDの詳細な注釈により、研究者はこれらの問題を分離し、改善されたData Augmentation技術やMulti-Head Attentionメカニズムなどの的を絞ったソリューションを開発できる。
関連データセットとベンチマーク
CORDは、SROIE（Scanned Receipts OCR and Information Extraction）やFUNSD（Form Understanding in Noisy Documents）などの他のレシートおよび文書データセットとしばしば比較される。SROIEはレシートからのキー情報抽出に焦点を当てているが、CORDはセマンティックセグメンテーションや関係抽出を含むより豊富な注釈を提供する。これにより、CORDは文書構造のより深い理解を必要とするタスクにより適している。研究者は、異なる文書タイプにわたるモデルの一般化を評価するために、CORDをこれらのデータセットと一緒に使用することが多い。
今後の方向性
文書理解の分野は急速に進化しており、Large language modelがマルチモーダルタスクに適応されている。CORDは、特にこれらのモデルが複雑なレイアウトや言語を処理できるようになるにつれて、そのようなモデルの訓練と評価のための貴重なリソースであり続ける可能性が高い。CORDの将来の拡張には、より多様なレシート形式、追加言語、テーブル抽出や異常検出などの新しいタスクの注釈が含まれる可能性がある。Artificial intelligenceが進歩し続けるにつれて、CORDのようなデータセットは、モデルが堅牢で正確であり、実世界のシナリオに適用可能であることを保証する上で重要な役割を果たすだろう。