Cómo Google descifró la identificación del número de casa en Street View

Google Street View se ha convertido en una parte esencial de la experiencia cartográfica en línea. Permite a los usuarios bajar al nivel de la calle para ver el área local con detalles fotográficos.

Pero también es un recurso útil para Google. La empresa utiliza las imágenes para leer los números de las casas y relacionarlos con su geolocalización. Esto localiza físicamente la posición de cada edificio en su base de datos.

Eso es particularmente útil en lugares donde los números de las calles no están disponibles de otra manera o lugares como Japón y Corea del Sur donde las calles rara vez están numeradas en orden cronológico, pero de otras formas, como el orden en que fueron construidas, un sistema que hace que muchos edificios sean imposiblemente difíciles de encontrar. encontrar, incluso para los locales.

Pero la tarea de detectar e identificar estos números requiere mucho tiempo. Las cámaras Street View de Google han grabado cientos de millones de imágenes panorámicas que, en conjunto, contienen decenas de millones de números de casas. La tarea de buscar estas imágenes manualmente para detectar e identificar los números no es algo que nadie pueda abordar con entusiasmo.

Entonces, naturalmente, Google ha resuelto el problema automatizándolo. Y hoy, Ian Goodfellow y sus amigos de la empresa revelan cómo lo han hecho. Su método resulta depender de una red neuronal que contiene 11 niveles de neuronas que han entrenado para detectar números en imágenes.

Para empezar, Goodfellow y compañía imponen algunos límites a la tarea en cuestión para que sea lo más simple posible. Por ejemplo, asumen que el número de edificio ya ha sido detectado y la imagen recortada de modo que el número sea al menos un tercio del ancho del marco resultante. También asumen que el número no tiene más de cinco dígitos, una suposición razonable en la mayor parte del mundo.

Pero el equipo no divide el número en un solo dígito, como han hecho muchos otros grupos. Su enfoque consiste en localizar el número completo dentro de la imagen recortada e identificarlo de una vez, todo con una única red neuronal.

Ellos entrenan esta red usando imágenes extraídas de un conjunto de datos disponibles públicamente de imágenes numéricas conocido como el conjunto de datos de Street View House Numbers. Contiene unos 200.000 números tomados por las cámaras de Street View de Google y puestos a disposición del público. La formación tarda unos seis días en completarse, dicen.

Goodfellow y sus colegas dicen que no tiene sentido usar un sistema automatizado que no pueda igualar o superar el desempeño de los operadores humanos que generalmente pueden detectar números con precisión el 98 por ciento del tiempo. Entonces este es el objetivo del equipo.

Sin embargo, eso no significa detectar el 98 por ciento de los números en el 100 por ciento de las imágenes. En cambio, Goodfellow y compañía dicen que es aceptable detectar el 98 por ciento de los números en un cierto subconjunto de imágenes, que en este caso resultan cubrir alrededor del 95 por ciento del total.

Pero incluso esto es significativamente mejor de lo que cualquier otro equipo ha podido lograr. En todo el mundo, detectamos y transcribimos automáticamente cerca de 100 millones de números de calles físicas con precisión a nivel de operador [humano], dicen, y describen esto como un éxito sin precedentes.

Y pueden hacerlo a una velocidad considerable. Podemos transcribir todas las vistas que tenemos de los números de las calles en Francia en menos de una hora utilizando nuestra infraestructura de Google, dicen. Sí, eso es solo una hora.

Una pregunta interesante es si la misma técnica podría ayudar a extraer otros números, como números de teléfono en carteles comerciales o incluso matrículas.

Sin embargo, Goodfellow y compañía no son optimistas. Dicen que el éxito de su técnica se basa en gran medida en la suposición de que los números de las calles nunca tienen más de cinco dígitos. Para grandes [números de dígitos], es poco probable que nuestro método se escale bien, dicen.

Y, por supuesto, el sistema aún no es perfecto. Ese 2 por ciento de números mal identificados sigue siendo una espina clavada en el costado del equipo.

Pero mientras tanto, Google puede estar seguro de que ha dado un importante paso adelante en la extracción y el reconocimiento de caracteres: la localización e identificación de números mediante una única red neuronal.

La gran pregunta, por supuesto, es qué sigue. Y Goodfellow y sus colegas lo complacen abriendo el kimono solo una fracción: este enfoque de usar una sola red neuronal como un sistema completo de extremo a extremo podría ser aplicable a otros problemas, como la transcripción de texto general o el reconocimiento de voz.

¡Ahí lo tienes!

Ref: arxiv.org/abs/1312.6082 : Reconocimiento de números de varios dígitos a partir de imágenes de Street View mediante redes neuronales convolucionales profundas

esconder