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構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)絡更高的辨認率（84.2%）?？蓴U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。