琼的案例列表
财报表格识别Excel / JSON
我独立完成了全流程：PDF 解析与页图渲染、版面分析、表格结构与文字还原、多后端抽象与降级、Excel 导出、Web 服务与资源保护，以及评测脚本。 技术栈：Python / PyMuPDF / OpenCV / PaddleOCR-VL（vLLM 部署）/ ONNX Runtime / openpyxl / 标准库 HTTP 服务。 亮点：① 双后端解耦：legacy（UNet 线分割 + LORE，纯 CPU）与 paddleocr_vl（GPU）共用同一套版面、后处理和导出代码，切换只改 config.yaml 一个字段，单表失败自动降级，调用方无感知；② 换模型不是凭感觉，
TableDETR：表格结构识别
我独立负责全流程：从数据管线、模型设计、训练调参到推理封装和可视化，完整跑通「数据 → 标签 → 训练 → 推理 → 还原」整个流程。 技术栈：Python、PyTorch、ResNet34 主干、DETR 式非自回归解码、2D 正弦位置编码、HTML/Word 表格重建。 架构：896 的输入图像先经过 ResNet34（步长 /32，得到 784 个视觉 token），加上 2D 正弦位置编码后，交给 500 个可学习 query 并行解码（2 层共享加双支路分叉），再输出 500×8 的结构标签和 500×4 的框。不做自回归，不逐 token 递归，一次前向就出全部结果。
案例判断参考
琼的案例列表
财报表格识别Excel / JSON
我独立完成了全流程：PDF 解析与页图渲染、版面分析、表格结构与文字还原、多后端抽象与降级、Excel 导出、Web 服务与资源保护，以及评测脚本。 技术栈：Python / PyMuPDF / OpenCV / PaddleOCR-VL（vLLM 部署）/ ONNX Runtime / openpyxl / 标准库 HTTP 服务。 亮点：① 双后端解耦：legacy（UNet 线分割 + LORE，纯 CPU）与 paddleocr_vl（GPU）共用同一套版面、后处理和导出代码，切换只改 config.yaml 一个字段，单表失败自动降级，调用方无感知；② 换模型不是凭感觉，...
TableDETR：表格结构识别
我独立负责全流程：从数据管线、模型设计、训练调参到推理封装和可视化，完整跑通「数据 → 标签 → 训练 → 推理 → 还原」整个流程。 技术栈：Python、PyTorch、ResNet34 主干、DETR 式非自回归解码、2D 正弦位置编码、HTML/Word 表格重建。 架构：896 的输入图像先经过 ResNet34（步长 /32，得到 784 个视觉 token），加上 2D 正弦位置编码后，交给 500 个可学习 query 并行解码（2 层共享加双支路分叉），再输出 500×8 的结构标签和 500×4 的框。不做自回归，不逐 token 递归，一次前向就出全部结果。 ...
