Un nuevo sistema de aprendizaje profundo puede detectar desastres naturales utilizando imágenes publicadas en las redes sociales. El grupo internacional de investigadores aplicó herramientas de visión artificial que, una vez entrenadas con 1,7 millones de imágenes, han demostrado ser capaces de analizar, filtrar y detectar desastres reales, escribe la Universitat de Operta de Catalunya (UOC) en presione soltar.
- Un sistema de visión por computadora basado en aprendizaje profundo detecta desastres naturales basándose en una base de datos de imágenes de redes sociales;
- El modelo puede evitar falsos positivos;
- Esta tecnología puede acelerar la asistencia humanitaria durante emergencias;
Con la progresión del calentamiento global, los desastres naturales como inundaciones, huracanes e incendios forestales son cada vez más frecuentes y destructivos. Dado que no existen herramientas para predecir dónde o cuándo ocurrirán tales incidentes, es fundamental que los servicios de emergencia y las agencias de cooperación internacional puedan responder de manera rápida y efectiva para salvar vidas. «Afortunadamente, la tecnología puede jugar un papel importante en estas situaciones. Las publicaciones en las redes sociales pueden utilizarse como una fuente de datos de baja latencia para comprender el desarrollo y las consecuencias de un desastre», explica Àgata Lapedriza, profesora de Informática de la UOC.
modelos de accidentes
Investigaciones anteriores se centraron en analizar publicaciones de texto, pero esta investigación, publicada en Transactions on Pattern Analysis and Machine Intelligence, fue más allá. Durante su residencia en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT, Lapidriza contribuyó al desarrollo de una clasificación de incidentes y una base de datos utilizada para entrenar modelos de aprendizaje profundo y realizar experimentos de validación de tecnología.
Los investigadores crearon una lista de 43 categorías de accidentes, incluidos los desastres naturales (avalanchas, tormentas de arena, terremotos, erupciones volcánicas, sequías, etc.) y accidentes que involucran algún elemento de intervención humana (accidentes de aeronaves, accidentes de construcción, etc.). Esta lista, con 49 categorías de lugares, permitió a los investigadores nombrar las imágenes utilizadas para entrenar el sistema.
Los autores crearon una base de datos llamada Incidents1M, con 1 787 154 imágenes que luego se usaron para entrenar el modelo de detección de incidentes. De estas imágenes, 977.088 tenían al menos una etiqueta positiva que las asociaba con una de las clasificaciones de accidentes, mientras que 810.066 tenían etiquetas negativas para la categoría. Mientras tanto, para las categorías de lugar, 764,124 imágenes contenían etiquetas positivas para la categoría y 1,023,030 imágenes negativas.
Evita falsos positivos
Estas banderas negativas significan que el sistema puede ser entrenado para eliminar falsos positivos; Por ejemplo, la imagen de una chimenea no significa que la casa esté en llamas, aunque existen algunas similitudes visuales. Una vez que se creó la base de datos, el equipo entrenó un modelo de detección de incidentes «basado en un modelo de aprendizaje multitarea y utilizando una red neuronal convolucional (CNN)».
Cuando se entrenó el modelo de aprendizaje profundo para detectar accidentes en las imágenes, el equipo realizó una serie de experimentos para probarlo, utilizando una gran cantidad de imágenes descargadas de las redes sociales, incluidos Flickr y Twitter. “Nuestro modelo pudo usar estas imágenes para detectar incidentes y verificamos que corresponden a incidentes específicos y registrados, como los terremotos de 2015 en Nepal y Chile”, dijo Lapidriza.
Asistencia de ayuda humanitaria
Usando datos reales, los autores demostraron el potencial de una herramienta basada en el aprendizaje profundo para obtener información de las redes sociales sobre desastres naturales e incidentes que requieren ayuda humanitaria. «Esto ayudará a las organizaciones de ayuda humanitaria a descubrir lo que sucede durante los desastres de manera más efectiva y mejorará la forma en que se gestiona la ayuda humanitaria cuando sea necesario», dijo.
Después de este logro, el próximo desafío podría ser, por ejemplo, usar las mismas imágenes de inundaciones, incendios u otros incidentes para determinar automáticamente la gravedad de los incidentes o incluso monitorearlos de manera más efectiva a lo largo del tiempo. Los autores también sugirieron que la comunidad científica podría continuar con la investigación combinando el análisis de imágenes con el análisis del texto adjunto, para permitir una clasificación más precisa.
More Stories
Chile firma acuerdos económicos y científicos con Emiratos Árabes Unidos
La «luna de nieve» llena de febrero aparecerá este fin de semana. He aquí por qué es tan único.
La Comisión Económica para Europa de las Naciones Unidas y la Comisión Económica para América Latina y el Caribe proponen medidas para reducir los impactos ambientales y de salud del comercio mundial de ropa usada.