摘要

文档图像分类仍是当前一个热门的研究领域，因其在多个行业中的企业级应用具备广泛的商业化潜力。近年来，大型预训练计算机视觉模型、语言模型以及图神经网络的发展，为文档图像分类提供了丰富的技术工具。然而，使用大型预训练模型通常需要大量计算资源，这在一定程度上削弱了自动化文档图像分类本应带来的成本优势。本文提出了一种高效且实用的文档图像分类框架，该框架结合图卷积神经网络（GCN），有效融合了文档的文本、视觉及版面布局信息。我们针对公开数据集以及真实场景下的保险文档分类数据集，对所提出的算法进行了严格的基准测试，对比了多种先进的视觉与语言模型。实验结果表明，在公开数据集和真实世界数据上，本方法均达到了接近当前最优（SOTA）的分类性能，同时显著降低了模型训练与推理所需的计算资源与时间开销。这一优势使得所提出的方法在企业级应用中具备更强的成本效益，尤其适用于大规模部署场景。结果还显示，本算法的分类性能可与现有最先进方法相媲美，差距极小。此外，本文系统性地对比了所提方法与基线模型在计算资源消耗、模型规模、训练与推理时间等方面的差异，并进一步量化了每张图像处理的单位成本，为实际应用中的资源规划与成本控制提供了有力支持。