近來，Google的Ground Truth團隊發(fā)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地圖標注效勞。該神經(jīng)網(wǎng)絡(luò)模型在對挑戰(zhàn)性的FSNS（法國大街稱號辨認數(shù)據(jù)集，F(xiàn)rench Street Name Signs）數(shù)據(jù)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(wǎng)站上撰文，介紹了解決實際國際圖畫中文本抽取疑問中所用的TensorFlow模型。如今有十億用戶使用Google地圖軟件指路、獲取實時交通狀況和商戶信息，要為這些用戶提供非常好的體會，信息應(yīng)有必要能反映了改變中的國際。當時，街景車（Street View Car）已經(jīng)采集了800多億張圖畫。要從這么大規(guī)模的圖畫數(shù)據(jù)會集為Google地圖發(fā)現(xiàn)新的或者是發(fā)作更改的信息，人工剖析是不可能完成的。因而，從具有地輿定位信息的圖畫中主動地抽取結(jié)構(gòu)化信息變成團隊的作業(yè)方針之一。
如今，這一新的深度神經(jīng)網(wǎng)絡(luò)模型對開發(fā)人員揭露可用。它在從FSNS數(shù)據(jù)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(jīng)網(wǎng)絡(luò)更高的辨認率（84.2%）。可擴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、路途和商戶等天然環(huán)境中做文本辨認，這是一個具有挑戰(zhàn)性的計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(zhàn)性。從前在2008年，Google團隊就使用了一個根據(jù)神經(jīng)網(wǎng)絡(luò)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。以該研討為根底，他們已能使用機器學習主動地改善Google地圖，完成了有關(guān)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：新街景圖形庫的符號、與命名規(guī)范一致的文本規(guī)范化處理，以及剔除與數(shù)據(jù)剖析無關(guān)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(chuàng)立新的地址。例如，如果街景車轎車行進在一條新建的路途上，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(chuàng)立并定位新地址。
要在大規(guī)模的街景圖畫數(shù)據(jù)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）的計算價值。