Document_classify
描述：在保险理赔场景中，对不同类型医疗票据（费用清单、医疗发票等）按类别准确分类，使是后续进行理赔认定的关键。通过观察已有医疗票据的特征与打标数据分布，采用active learning增加监督数据，并利用图像特征与文本特征相结合的方式，实现当打标数据量较少时对医疗票据的高准确率分类。模型最终在各类票据上的平均分类准确率为97.2%
难点：
- 仅有少部分医疗图片具有类别标签，大量图片为无标签样本
- 不同类别医疗票据样式或文字内容相近，仅通过图像特征或仅通过文字特征难以区分
技术方案：
- 有监督数据扩增：使用少量标签数据训练一个分类模型，利用主动学习，挑选出熵高、相似度低的困难样本，交由专家标注，反复多次，扩增监督数据
- ResNet-50 + LayoutLM模型：分别利用ResNet-50预训练网络与LayoutLM预训练模型提取票据图像特征与文字特征，将两部分特征融合后用于分类
- 模型预测：将一张待分类票据送入模型，取预测概率最高的一类为票据的实际类别