Kā Google uzlauza mājas numura identifikāciju ielas attēlā

Google ielas attēls ir kļuvis par būtisku tiešsaistes kartēšanas pieredzes sastāvdaļu. Tas ļauj lietotājiem nolaisties līdz ielas līmenim, lai redzētu vietējo apkārtni fotogrāfiskā detaļā.

Taču tas ir arī noderīgs resurss Google. Uzņēmums izmanto attēlus, lai nolasītu māju numurus un saskaņotu tos ar to ģeogrāfisko atrašanās vietu. Tas fiziski nosaka katras ēkas atrašanās vietu tās datubāzē.

Tas ir īpaši noderīgi vietās, kur ielu numuri citādi nav pieejami, vai vietās, piemēram, Japānā un Dienvidkorejā, kur ielas reti tiek numurētas hronoloģiskā secībā, bet citos veidos, piemēram, secībā, kādā tās tika uzbūvētas, sistēma, kas padara daudzas ēkas neiespējami grūti nosakāmas. atrast, pat vietējiem iedzīvotājiem.

Taču šo skaitļu pamanīšanas un identificēšanas uzdevums ir ļoti laikietilpīgs. Google ielu attēla kameras ir ierakstījušas simtiem miljonu panorāmas attēlu, kas kopā satur desmitiem miljonu māju numuru. Šos attēlus manuāli meklēt, lai pamanītu un identificētu skaitļus, neviens nevar ķerties klāt ar patiku.

Tātad, protams, Google ir atrisinājis problēmu, to automatizējot. Un šodien Īans Gudfelovs un draugi uzņēmumā atklāj, kā viņi to ir izdarījuši. Izrādās, ka viņu metode balstās uz neironu tīklu, kurā ir 11 neironu līmeņi, kurus viņi ir apmācījuši, lai attēlos pamanītu skaitļus.

Lai sāktu, Goodfellow un citi veicamo uzdevumu ierobežo, lai tas būtu pēc iespējas vienkāršāks. Piemēram, viņi pieņem, ka ēkas numurs jau ir pamanīts un attēls ir apgriezts tā, lai skaitlis būtu vismaz viena trešdaļa no iegūtā rāmja platuma. Viņi arī pieņem, ka skaitlis nav garāks par pieciem cipariem, kas ir pamatots pieņēmums lielākajā daļā pasaules.

Taču komanda nedala numuru viencipara, kā to darījušas daudzas citas grupas. Viņu pieeja ir lokalizēt visu numuru apgrieztajā attēlā un identificēt to vienā piegājienā, izmantojot vienu neironu tīklu.

Viņi apmāca šo tīklu, izmantojot attēlus, kas iegūti no publiski pieejamas numuru attēlu datu kopas, kas pazīstama kā Street View House Numbers datu kopa. Tajā ir aptuveni 200 000 ciparu, kas uzņemti ar Google ielas attēla kamerām un padarīti publiski pieejami. Viņi saka, ka apmācība aizņem apmēram sešas dienas.

Goodfellow un kolēģi apgalvo, ka nav jēgas izmantot automatizētu sistēmu, kas nevar sasniegt vai pārspēt cilvēku operatoru veiktspēju, kuri parasti var precīzi noteikt skaitļus 98 procentus laika. Tātad tas ir komandas mērķis.

Tomēr tas nenozīmē, ka 100 procentos attēlu ir jāatrod 98 procenti skaitļu. Tā vietā Goodfellow un kolēģi saka, ka ir pieņemami pamanīt 98 procentus no skaitļiem noteiktā attēlu apakškopā, kas šajā gadījumā aptver aptuveni 95 procentus no kopējā attēla.

Bet pat tas ir ievērojami labāk, nekā jebkura cita komanda ir spējusi sasniegt. Visā pasaulē mēs automātiski noteicām un pārrakstījām gandrīz 100 miljonus fizisku ielu numuru ar [cilvēka] operatora precizitāti, viņi saka, raksturojot to kā nepieredzētu panākumu.

Un viņi to var izdarīt ar ievērojamu ātrumu. Viņi saka, ka mēs varam pārrakstīt visus Francijas ielu numuru skatus mazāk nekā stundas laikā, izmantojot mūsu Google infrastruktūru. Jā, tā ir tikai viena stunda.

Interesants jautājums ir par to, vai tas pats paņēmiens varētu palīdzēt iegūt citus numurus, piemēram, tālruņa numurus uz uzņēmuma zīmēm vai pat numura zīmēm.

Tomēr Goodfellow un co nav optimistiski. Viņi saka, ka viņu tehnikas panākumi lielā mērā balstās uz pieņēmumu, ka ielu numuri nekad nav garāki par pieciem cipariem. Viņi saka, ka lielam [ciparu skaitam] mūsu metode, visticamāk, nebūs piemērota.

Un, protams, sistēma vēl nav perfekta. Šie 2 procenti nepareizi identificēto skaitļu joprojām ir ērkšķis komandas acī.

Taču tikmēr Google var būt drošs, ka ir spēris ievērojamu soli uz priekšu rakstzīmju ieguvē un atpazīšanā: skaitļu lokalizācijā un identificēšanā ar vienu neironu tīklu.

Lielais jautājums, protams, ir tālākais. Un Goodfellow un līdzinieki uzliek pienākumu, atverot kimono tikai daļu: šī pieeja, kurā tiek izmantots viens neironu tīkls kā vesela pilnīga sistēma, varētu būt piemērojama citām problēmām, piemēram, vispārējai teksta transkripcijai vai runas atpazīšanai.

Tātad jums tas ir!

Atsauce: arxiv.org/abs/1312.6082 : vairāku ciparu numuru atpazīšana no ielas attēla attēliem, izmantojot dziļos konvolucionālos neironu tīklus

paslēpties