AI mano, kad ši potvynio nuotrauka yra tualetas. Taisymas gali pagerinti reagavimą į nelaimes.

Smarkūs potvyniai vidurio vakaruose. MIT Linkolno laboratorijos sutikimu

Andrew Weinertas ir jo kolegos buvo labai nusivylę. Po to, kai Puerto Riką smogė uraganas Maria, MIT Linkolno laboratorijos mokslininkai sunkiai dirbo, siekdami padėti Federalinei ekstremalių situacijų valdymo agentūrai (FEMA) įvertinti žalą. Jie turėjo puikų duomenų rinkinį: 80 000 kadrų iš oro, padarytų Civilinio oro patrulių iškart po nelaimės.

Tačiau iškilo problema: buvo per daug vaizdų, kad juos būtų galima rūšiuoti rankiniu būdu, o komercinėms vaizdų atpažinimo sistemoms nepavyko nustatyti nieko reikšmingo. Viename ypač baisiame pavyzdyje „ImageNet“, auksinis vaizdų klasifikavimo standartas, rekomendavo žymėti didelės potvynio zonos vaizdą kaip tualetą.

Buvo toks nuostabus informacijos turinys, bet jis nebuvo pasiekiamas, sako Weinert.

Netrukus jie suprato, kad ši problema nėra unikali. Įvykus bet kokiam didelio masto nelaimės scenarijui, gelbėtojų komandos, tokios kaip FEMA, galėtų sutaupyti daug laiko ir išteklių, prieš atvykstant peržiūrėdamos informaciją apie sąlygas vietoje. Tačiau dauguma kompiuterinio regėjimo sistemų yra apmokytos reguliariai daryti kasdienius vaizdus, ​​todėl jos negali patikimai atrinkti svarbių detalių nelaimės zonose.

Suvokimas privertė komandą sudaryti ir komentuoti naują nuotraukų ir filmuotos medžiagos rinkinį, būdingą reagavimo į ekstremalias situacijas scenarijus. Jie paskelbė duomenų rinkinį kartu su a popierius šią savaitę, tikėdamasis, kad ateityje jis bus naudojamas kompiuterinio regėjimo sistemoms mokyti.

Duomenų rinkinį sudaro daugiau nei 620 000 vaizdų ir 96,5 valandos vaizdo įrašų, kurie apima vaizdus iš visų 50 JAV valstijų. Dauguma žiniasklaidos buvo paimta iš vyriausybės duomenų bazių arba Creative Commons vaizdo įrašų „YouTube“; nedidelę dalį nufilmavo ir patys Linkolno laboratorijos darbuotojai.

Vaizdai iš duomenų rinkinio. MIT Linkolno laboratorijos sutikimu

Kad tai būtų tikrai naudinga gelbėtojams, tyrėjai apsvarstė įvairius avarinius scenarijus, kurie gali sugadinti įprastas vaizdų klasifikavimo sistemas. Pavyzdžiui, jie sudarė automobilių užtvindytuose vandenyse vaizdus; dauguma sistemų pamatytų vandenį ir iškart paženklintų transporto priemonę kaip valtį – tiesiog kaip treniruočių duomenų požymį.

Jie taip pat praleido daug laiko, kad išsiaiškintų, kaip geriausiai komentuoti vaizdus. Jie norėjo, kad anotacijos teiktų greitosios pagalbos tarnyboms naudingą kontekstą jų misijoms, taip pat reikėjo, kad anotacijų schema būtų pakankamai paprasta, kad duomenų žymekliai veiktų greitai ir su minimaliomis klaidomis. Taigi jie mėgdžiojo „ImageNet“ organizacinę struktūrą, kuri sugrupuoja nuotraukas į vis labiau specifines objektų kategorijas, pavyzdžiui, gyvūnus, šunis, tada labradoro retriverius. Tačiau tyrėjai sugrupavo nuotraukas, o ne objektų kategorijas, remdamiesi vis konkretesnėmis nelaimės ypatybėmis: ar yra žalos? Taip ar ne? Ar yra vandens? Taip ar ne? Ar ten turėtų būti vandens? Taip ar ne?

Tokios kvalifikacijos leis kompiuterinės regos tyrėjams lengvai rūšiuoti duomenų rinkinį ir pasirinkti atitinkamus segmentus, kad galėtų mokyti su nelaimėmis susijusias vaizdų atpažinimo sistemas. Tada šios sistemos padėtų skubios pagalbos tarnyboms greitai apdoroti naujų nelaimių scenarijų vaizdus, ​​​​kad suprastų blogiausias poveikio sritis, kokias sąlygas galima tikėtis ir kokias atsargas paruošti savo misijai.

Weinertas sako, kad tai vis dar nebaigtas darbas, bet jis džiaugiasi jo potencialu. Jei galėtume sugalvoti būdą pasakyti: „Taip turėtumėte įvertinti reagavimo į nelaimes vaizdus“, „Amazon“, „Task Rabbit“ ir visi kiti debesies šaltinio subjektai galėtų pradėti jį naudoti kaip pramonės standartą ir pradėti kurti daugiau. nelaimių atpažinimo sistemos.

Mokslininkai dabar pateikia duomenų rinkinį Nacionaliniam standartų ir technologijos institutui ir pradėjo bendradarbiauti su kitomis organizacijomis, kad sukurtų vaizdo atpažinimo konkursus dėl jo naudojimo. Mes ieškome būdų, kaip tai patekti į kompiuterinės regos tyrinėtojų rankas, sako Weinert.

Jei norite, kad daugiau tokių istorijų būtų pristatyta tiesiai į jūsų pašto dėžutę, užsiprenumeruokite Webby nominuotą AI informacinį biuletenį The Algorithm. Tai nemokama.

paslėpti