近來，Google的Ground Truth團隊發布了一個新的深度學習模型，用于從帶有地輿定位信息的圖畫文件中主動抽取信息，以改善Google地圖效勞。該神經網絡模型在對挑戰性的FSNS（法國大街稱號辨認數據集，French Street Name Signs）數據集處理上，給出了更高的準確性指標。來自Google Brain團隊的Julian Ibarz和來自Ground Truth團隊的Sujoy Banerjee在Google Research博客網站上撰文，介紹了處理實際國際圖畫中文本抽取疑問中所用的TensorFlow模型。 目前有十億用戶運用Google地圖標注服務軟件指路、獲取實時交通狀況和商戶信息，要為這些用戶供給非常好的體會，信息應有必要能反映了改變中的國際。當時，街景車（Street View Car）現已采集了800多億張圖畫。要從這么大規模的圖畫數據會集為Google地圖發現新的或者是發作更改的信息，人工剖析是不可能完成的。因此，從具有地輿定位信息的圖畫中主動地抽取結構化信息變成團隊的工作方針之一。
現在，這一新的深度神經網絡模型對開發人員揭露可用。它在從FSNS數據集街景圖畫中讀取大街稱號的使命上，達到了比其它深度神經網絡更高的辨認率（84.2%）。可拓展該模型完成從街景圖畫中抽取其它類型的信息，例如從富含店面的圖畫中抽取出商戶的稱號。
在城市、道路和商戶等天然環境中做文本辨認，這是一個具有挑戰性的核算機視覺和機器學習疑問。失真、遮擋、方向含糊、雜亂布景或視角上的不同，這些要素使得從天然場景中抽取文本更具挑戰性。從前在2008年，Google團隊就運用了一個根據神經網絡的模型，用于街景圖畫中行人臉部及車輛車牌的含糊化，完成對用戶隱私的維護。以該研究為根底，他們已能運用機器學習主動地改善Google地圖，完成了有關最新信息的更新。
深度學習模型還完成了如下使命的主動化：新街景圖形庫的標記、與命名標準共同的文本標準化處理，以及除掉與數據剖析無關的文本。團隊無需知道大街的稱號或是該地址的具體位置，就能夠直接從圖畫創建新的地址。例如，假如街景車轎車行進在一條新建的道路上，該模型能夠剖析所街景車捕獲的圖畫，從中抽取大街的稱號和門牌號碼，并在Google地圖的恰當處主動地創建并定位新地址。
要在大規模的街景圖畫數據集上使用這些模型，Ground Truth團隊采用了機器學習芯片TPU（張量處理單元，Tensor Processing Unit），以下降指令流水線揣度（Inference）的核算代價。