AI cree que esta foto de la inundación es un inodoro. Arreglar eso podría mejorar la respuesta ante desastres.

Severas inundaciones en el Medio Oeste. Cortesía del Laboratorio Lincoln del MIT

Andrew Weinert y sus colegas estaban profundamente frustrados. Después de que el huracán María azotara a Puerto Rico, los investigadores del Laboratorio Lincoln del MIT trabajaron arduamente para ayudar a la Agencia Federal para el Manejo de Emergencias (FEMA) a evaluar los daños. En la mano tenían el conjunto de datos perfecto: 80.000 tomas aéreas de la región tomadas por la Patrulla Aérea Civil justo después del desastre.

Pero había un problema: había demasiadas imágenes para clasificarlas manualmente y los sistemas comerciales de reconocimiento de imágenes no lograban identificar nada significativo. En un ejemplo particularmente atroz, ImageNet, el estándar de oro para la clasificación de imágenes, recomendó etiquetar una imagen de una zona de inundación importante como un inodoro.

Había este increíble contenido de información, pero no era accesible, dice Weinert.

Pronto se dieron cuenta de que este problema no es único. En cualquier escenario de desastre a gran escala, los equipos de respuesta a emergencias como FEMA podrían ahorrar tiempo y recursos significativos al revisar los detalles de las condiciones en el terreno antes de su llegada. Pero la mayoría de los sistemas de visión por computadora están entrenados en imágenes regulares del día a día, por lo que no pueden seleccionar de manera confiable los detalles relevantes en las zonas de desastre.

La realización obligó al equipo a compilar y anotar un nuevo conjunto de fotos y videos específicos para escenarios de respuesta a emergencias. Publicaron el conjunto de datos junto con un papel esta semana con la esperanza de que se utilice para entrenar sistemas de visión artificial en el futuro.

El conjunto de datos incluye más de 620 000 imágenes y 96,5 horas de video que abarcan imágenes de los 50 estados de EE. UU. La mayoría de los medios se obtuvieron de bases de datos gubernamentales o videos de Creative Commons en YouTube; una pequeña fracción también fue filmada por el propio personal de Lincoln Lab.

Imágenes del conjunto de datos. Cortesía del Laboratorio Lincoln del MIT

Para que sea realmente útil para los servicios de emergencia, los investigadores consideraron varios escenarios de emergencia que probablemente tropezarían con los sistemas comunes de clasificación de imágenes. Recopilaron imágenes de autos en aguas inundadas, por ejemplo; la mayoría de los sistemas verían el agua e inmediatamente etiquetarían el vehículo como un bote, simplemente como un síntoma de sus datos de entrenamiento.

También dedicaron una cantidad significativa de tiempo a descubrir la mejor manera de anotar las imágenes. Querían que las anotaciones ofrecieran a los servicios de emergencia un contexto útil para sus misiones, y también necesitaban que el esquema de anotaciones fuera lo suficientemente simple para que los etiquetadores de datos funcionaran rápidamente con errores mínimos. Así que imitaron la estructura organizativa de ImageNet, que agrupa fotos en categorías de objetos cada vez más específicas, como animales, perros y luego labrador retriever. Sin embargo, en lugar de categorías de objetos, los investigadores agruparon fotografías en función de características cada vez más específicas del desastre: ¿Hay daños? ¿Si o no? ¿Hay agua? ¿Si o no? ¿Debería estar el agua allí? ¿Si o no?

Dichas calificaciones permitirán a los investigadores de visión por computadora clasificar fácilmente el conjunto de datos y elegir segmentos relevantes para entrenar sistemas de reconocimiento de imágenes relacionados con desastres. Esos sistemas luego ayudarían a un respondedor de emergencia a procesar rápidamente imágenes de nuevos escenarios de desastre para obtener una idea de las peores áreas de impacto, los tipos de condiciones en el terreno que se esperan y qué suministros preparar para su misión.

Weinert dice que todavía es un trabajo en progreso, pero está entusiasmado con su potencial. Si pudiéramos encontrar una manera de decir: 'Así es como debe calificar las imágenes de respuesta a desastres', Amazon, Task Rabbit y todas las demás entidades de origen en la nube podrían comenzar a usarlo como un estándar de la industria, dice, y comenzar a desarrollar más. sistemas de reconocimiento de desastres.

Los investigadores ahora están poniendo el conjunto de datos a disposición del Instituto Nacional de Estándares y Tecnología y han comenzado a trabajar con otras organizaciones para organizar concursos de reconocimiento de imágenes en torno a su uso. Estamos buscando formas de poner esto en manos de los investigadores de visión por computadora, dice Weinert.

Para recibir más historias como esta directamente en su bandeja de entrada, suscríbase a nuestro boletín informativo de IA nominado por Webby, The Algorithm. Es gratis.

esconder