AI pensa che questa foto dell'inondazione sia un gabinetto. Riparazioni che potrebbero migliorare la risposta ai disastri.

Grave inondazione nel Midwest. Per gentile concessione del MIT Lincoln Laboratory

Andrew Weinert ei suoi colleghi erano profondamente frustrati. Dopo che l'uragano Maria ha colpito Porto Rico, i ricercatori del Lincoln Laboratory del MIT hanno lavorato duramente per aiutare la Federal Emergency Management Agency (FEMA) a valutare i danni. In mano avevano il set di dati perfetto: 80.000 riprese aeree della regione scattate dalla Civil Air Patrol subito dopo il disastro.

Ma c'era un problema: c'erano troppe immagini da ordinare manualmente e i sistemi di riconoscimento delle immagini commerciali non riuscivano a identificare nulla di significativo. In un esempio particolarmente eclatante, ImageNet, lo standard d'oro per la classificazione delle immagini, ha raccomandato di etichettare come toilette un'immagine di una grande zona allagata.

C'era questo straordinario contenuto informativo, ma non era accessibile, afferma Weinert.

Presto si sono resi conto che questo problema non è unico. In qualsiasi scenario di disastro su larga scala, squadre di soccorritori di emergenza come la FEMA potrebbero risparmiare tempo e risorse significative esaminando i dettagli delle condizioni sul terreno prima del loro arrivo. Ma la maggior parte dei sistemi di visione artificiale sono addestrati su normali immagini quotidiane, quindi non possono individuare in modo affidabile i dettagli rilevanti nelle zone disastrate.

La realizzazione ha costretto il team a compilare e annotare una nuova serie di foto e filmati specifici per gli scenari di risposta alle emergenze. Hanno rilasciato il set di dati insieme a a carta questa settimana nella speranza che venga utilizzato per addestrare i sistemi di visione artificiale in futuro.

Il set di dati include oltre 620.000 immagini e 96,5 ore di video che comprendono le immagini di tutti i 50 stati degli Stati Uniti. La maggior parte dei media proveniva da database governativi o video Creative Commons su YouTube; una piccola parte è stata filmata anche dallo stesso personale del Lincoln Lab.

Immagini dal set di dati. Per gentile concessione del MIT Lincoln Laboratory

Per renderlo davvero utile ai soccorritori, i ricercatori hanno considerato vari scenari di emergenza che avrebbero potuto far scattare i comuni sistemi di classificazione delle immagini. Ad esempio, hanno compilato immagini di automobili in acque allagate; la maggior parte dei sistemi vedrebbe l'acqua ed etichetterebbe immediatamente il veicolo come una barca, semplicemente come un sintomo dei propri dati di addestramento.

Hanno anche trascorso una notevole quantità di tempo a capire il modo migliore per annotare le immagini. Volevano che le annotazioni offrissero ai soccorritori un contesto utile per le loro missioni e avevano anche bisogno che lo schema di annotazioni fosse abbastanza semplice da consentire agli etichettatori di dati di eseguire rapidamente con errori minimi. Quindi hanno imitato la struttura organizzativa di ImageNet, che raggruppa le foto in categorie di oggetti sempre più specifiche, come animali, cani e poi labrador retriever. Piuttosto che categorie di oggetti, tuttavia, i ricercatori hanno raggruppato le foto in base a caratteristiche sempre più specifiche del disastro: ci sono danni? Sì o no? C'è acqua? Sì o no? L'acqua dovrebbe esserci? Sì o no?

Tali qualifiche consentiranno ai ricercatori di visione artificiale di ordinare facilmente il set di dati e selezionare segmenti rilevanti per addestrare sistemi di riconoscimento delle immagini relativi ai disastri. Questi sistemi aiuterebbero quindi un soccorritore di emergenza a elaborare rapidamente le immagini da nuovi scenari di catastrofe per avere un'idea delle peggiori aree di impatto, del tipo di condizioni sul terreno da aspettarsi e di quali forniture preparare per la loro missione.

Weinert dice che è ancora un work in progress, ma è entusiasta del suo potenziale. Se potessimo trovare un modo per dire: 'Questo è il modo in cui dovresti qualificare le immagini di risposta ai disastri', Amazon, Task Rabbit e tutte le altre entità di origine cloud potrebbero iniziare a utilizzarle come standard del settore, afferma, e iniziare a svilupparne di più sistemi di riconoscimento in caso di calamità.

I ricercatori stanno ora mettendo il set di dati a disposizione del National Institute of Standards and Technology e hanno iniziato a collaborare con altre organizzazioni per organizzare concorsi di riconoscimento delle immagini attorno al suo utilizzo. Stiamo cercando modi per metterlo nelle mani dei ricercatori di visione artificiale, afferma Weinert.

Per ricevere più storie come questa direttamente nella tua casella di posta, iscriviti alla nostra newsletter AI nominata da Webby The Algorithm. È gratis.

nascondere