近來(lái)，Google的Ground Truth團(tuán)隊(duì)發(fā)布了一個(gè)新的深度學(xué)習(xí)模型，用于從帶有地輿定位信息的圖畫文件中主動(dòng)抽取信息，以改善Google地圖效勞。該神經(jīng)網(wǎng)絡(luò)模型在對(duì)挑戰(zhàn)性的FSNS（法國(guó)大街稱號(hào)辨認(rèn)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(zhǔn)確性指標(biāo)。來(lái)自Google Brain團(tuán)隊(duì)的Julian Ibarz和來(lái)自Ground Truth團(tuán)隊(duì)的Sujoy Banerjee在Google Research博客網(wǎng)站上撰文，介紹了處理實(shí)際國(guó)際圖畫中文本抽取疑問(wèn)中所用的TensorFlow模型。 目前有十億用戶運(yùn)用Google地圖標(biāo)注服務(wù)軟件指路、獲取實(shí)時(shí)交通狀況和商戶信息，要為這些用戶供給非常好的體會(huì)，信息應(yīng)有必要能反映了改變中的國(guó)際。當(dāng)時(shí)，街景車（Street View Car）現(xiàn)已采集了800多億張圖畫。要從這么大規(guī)模的圖畫數(shù)據(jù)會(huì)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。因此，從具有地輿定位信息的圖畫中主動(dòng)地抽取結(jié)構(gòu)化信息變成團(tuán)隊(duì)的工作方針之一。
現(xiàn)在，這一新的深度神經(jīng)網(wǎng)絡(luò)模型對(duì)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(hào)的使命上，達(dá)到了比其它深度神經(jīng)網(wǎng)絡(luò)更高的辨認(rèn)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(hào)。
在城市、道路和商戶等天然環(huán)境中做文本辨認(rèn)，這是一個(gè)具有挑戰(zhàn)性的核算機(jī)視覺和機(jī)器學(xué)習(xí)疑問(wèn)。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(chǎng)景中抽取文本更具挑戰(zhàn)性。從前在2008年，Google團(tuán)隊(duì)就運(yùn)用了一個(gè)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(duì)用戶隱私的維護(hù)。以該研究為根底，他們已能運(yùn)用機(jī)器學(xué)習(xí)主動(dòng)地改善Google地圖，完成了有關(guān)最新信息的更新。
深度學(xué)習(xí)模型還完成了如下使命的主動(dòng)化：新街景圖形庫(kù)的標(biāo)記、與命名標(biāo)準(zhǔn)共同的文本標(biāo)準(zhǔn)化處理，以及除掉與數(shù)據(jù)剖析無(wú)關(guān)的文本。團(tuán)隊(duì)無(wú)需知道大街的稱號(hào)或是該地址的具體位置，就能夠直接從圖畫創(chuàng)建新的地址。例如，假如街景車轎車行進(jìn)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(hào)和門牌號(hào)碼，并在Google地圖的恰當(dāng)處主動(dòng)地創(chuàng)建并定位新地址。
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(tuán)隊(duì)采用了機(jī)器學(xué)習(xí)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(jià)。