來源：映維網(wǎng) 作者 廣州客

谷歌在今年五月舉行的I/O大會宣布將視覺AR工具Lens納入至Google Go。但Google Go最初只支持Android Go設(shè)備，并且只登陸了特定市場的Google Play。然而，谷歌已于最近將這一工具帶到全球范圍內(nèi)的Play Store。

在全世界范圍內(nèi)，有數(shù)以百萬計的人是首次上網(wǎng)，而他們很多都是全球8億多名不具備讀寫能力的成年人中的一員，或者剛剛搬到陌生城市或城鎮(zhèn)的新居民。作為一款基于智能手機攝像頭的工具，Google Lens具備幫助所述人群的潛力。Lens主要利用了計算機視覺，機器學習和谷歌Knowledge Graph，并能夠?qū)F(xiàn)實世界的所見之物放到視覺搜索欄，從而識別相關(guān)的對象，或者將現(xiàn)實世界的文本復制粘貼至智能手機。

谷歌指出：“為了幫助更多的人群，我們需要創(chuàng)建一個能夠支持更多基礎(chǔ)機型的版本。所以在2019 I/O大會中，我們發(fā)布了一款面向Google Go的Lens版本，支持基本的入門設(shè)備。我們同時納入了旨在幫助存在閱讀挑戰(zhàn)和其他語言挑戰(zhàn)的用戶的全新功能。”

谷歌在一篇博文中指出，為了支持所述的讀寫功能，Google Go版本的Lens需要在一系列的設(shè)備中捕獲高質(zhì)量的文本，然后識別文本，理解其結(jié)構(gòu)，翻譯并進行疊加，最后再誦讀出來。

1. 圖像捕獲

入門級設(shè)備的圖像捕獲相當具有挑戰(zhàn)性，因為你需要兼容一系列不同的設(shè)備，而它們大多數(shù)都不具備旗艦機的性能。為了構(gòu)建一個能夠以最小延遲可靠捕獲高質(zhì)量圖像的通用工具，谷歌將Google Go中的Lens變成了一個全新Android支持庫的早期采用者：CameraX。包含在Jetpack（一套針對Android開發(fā)者的庫，工具和指南）的CameraX是Android Camera2 API的抽象層，可解決設(shè)備兼容性問題，所以開發(fā)者無需編寫自己的設(shè)備專用代碼。

為了平衡捕獲延遲和性能影響，谷歌利用CameraX實現(xiàn)了兩種捕獲策略。對于高端手機，它們足以提供恒定的高分辨率幀，所以系統(tǒng)能夠瞬間完成捕獲。對于相對低端的設(shè)備，由于CPU性能有限，流式傳輸所述幀可能會導致攝像頭滯后，所以谷歌是在用戶點擊捕獲時處理幀，并生成單個按需高分辨率圖像。

2. 文本識別

當Google Go中的Lens捕獲圖像后，它需要理解相關(guān)的形狀，及構(gòu)成單詞，句子和段落的字母。所以，圖像將按比例縮小并傳送到Lens服務(wù)器，然后執(zhí)行處理。接下來，應用光學字符識別（Optical Character Recognition；OCR），后者利用Region Proposal Network來檢測可以合并成用于文本識別的行的字符級邊界框。

將字符框合并為單詞是一個分為兩步的順序過程。第一步是應用Hough Transform；第二步是利用Text Flow。無論是直的，彎的，還是兩者混合，這個過程將可以確保系統(tǒng)識別和處理具有各種分布的文本。

由于Google Go的Lens所捕獲的圖像可能包含標牌，手寫字符或文檔等來源，所以這可能會出現(xiàn)一系列的其他挑戰(zhàn)。例如，文本可以被遮擋，而圖像可以是模糊的。所有這些問題都可能導致OCR引擎誤解每個單詞中的各種字符。為了糾正錯誤并提高單詞準確性，Google Go中的Lens利用周圍單詞的情景進行更正。它同時利用Knowledge Graph提供情景線索，例如單詞是不是專有名詞，所以不應進行拼寫糾正。

從腳本檢測到方向識別，再到文本識別，所有這些步驟都是由單獨的卷積神經(jīng)網(wǎng)絡(luò)和一個額外的量化LSTM網(wǎng)絡(luò)（Long Short-Term Memory）來執(zhí)行。另外，從ReCaptcha到Google Books的掃描圖像。模型接受了各種來源的數(shù)據(jù)訓練。

3. 理解結(jié)構(gòu)

一旦識別出單個單詞，Lens必須確定如何將它們組合在一起。人類在現(xiàn)實世界中遇到的文本以多種不同的方式展示。例如，一份報紙的文章包括標題，文章和廣告。同時，公交時刻表中一列是目的地，另一列則有時間。盡管理解文本結(jié)構(gòu)對人類來說非常自然，但計算機則不然。Lens使用卷積神經(jīng)網(wǎng)絡(luò)來檢測連貫的文本塊，如列，或文本的一致樣式或顏色。然后，在每個塊中，它利用文本對齊，語言和段落的幾何關(guān)系等信號來確定其最終閱讀順序。

檢測文檔結(jié)構(gòu)的另一個挑戰(zhàn)是，我們會從不同的角度拍攝文本，并且通常是翹曲的視角。這意味著我們無法恢復依賴于現(xiàn)成的檢測器，而是必須普遍化系統(tǒng)，從而使其能夠處理單應性失真。

4. 情景翻譯

為了向用戶提供最有用的信息，翻譯必須精確且具有情景上下文。Lens利用了神經(jīng)機器翻譯算法。另外，為了提高翻譯的效用，這需要在原始文本的情景上下文中進行。例如，當翻譯ATM的指令時，重要的是要知道哪些按鈕對應于哪些指令。

挑戰(zhàn)的一部分是，翻譯后的文本可能比原文短得多或長得多。例如，德語句子往往比英語句子長。為了實現(xiàn)這種無縫疊加，Lens將譯文重新分配到相似長度的行中，并選擇適當?shù)淖煮w大小進行匹配。它同時能夠匹配翻譯的顏色及其背景。Lens可以分類像素是表示背景還是文本，然后從這兩個區(qū)域中采樣平均顏色，從而確保翻譯文本與原始文本匹配。

5. 誦讀文本

Google Go的Lens的最后一個挑戰(zhàn)是大聲誦讀文本。系統(tǒng)利用谷歌的文本轉(zhuǎn)語音（TTS）技術(shù)來生成高保真音頻（一種應用機器學習來消除歧義的服務(wù)），并使用它來生成基于DeepMind WaveNet的真實語音。

當與屏幕配對時，它們將變得更具情景性和實用性。Lens利用來自TTS服務(wù)的定時注釋來標記每個單詞的開頭，從而在誦讀時突出顯示屏幕的每個單詞，就類似于卡拉OK機。例如，用戶可以捕獲不同按鈕有著不同標簽的ATM屏幕圖像。這種卡拉OK效果將允許用戶知道哪個標簽適用于哪個按鈕。它同時可以幫助用戶學習如何發(fā)音相關(guān)單詞。

6. 展望未來

谷歌表示：“我們希望這些功能可以對數(shù)百萬人的日常生活產(chǎn)生積極影響。展望未來，我們將繼續(xù)對這些閱讀功能進行更新，包括改進文本結(jié)構(gòu)理解（例如多列文本）和識別印度語腳本。在我們解決這些文本挑戰(zhàn)時，我們繼續(xù)尋找集合機器學習和智能手機攝像頭的新方式，從而幫助改善人們的生活質(zhì)量。”

原文鏈接：https://yivian.com/news/65980.html