Un edificio derrumbado como consecuencia del terremoto de Turquía del pasado mes de febrero
Detectar desastres naturales en fotos de redes sociales: la nueva técnica que podría salvar vidas
Los investigadores establecieron un listado con 43 categorías de incidentes con 1,7 millones de fotografías
Todo avance que suponga una rápida detección de un desastre natural puede salvar miles de vidas. Terremotos, tsunamis, incendios o erupciones de volcanes, todos ellos pueden ser extremadamente peligrosos tanto para las vidas de las personas como para las estructuras de nuestras ciudades, que pueden llegar a colapsar.
Por ello, un equipo internacional de investigadores liderado desde el Massachusetts Institute of Technology (MIT) y que ha contado con la participación de la Universitat Oberta de Catalunya (UOC) ha diseñado un sistema computacional capaz de detectar desastres naturales a partir de las imágenes que se cuelgan en las redes sociales.
La investigación, publicada en la revista Transactions on Pattern Analysis and Machine Intelligence, ha aplicado herramientas de visión por computación que, una vez entrenadas con 1,7 millones de fotografías, «se han demostrado eficaces para analizar, filtrar y detectar catástrofes reales», ha explicado la UOC en un comunicado este miércoles.
Los investigadores establecieron un listado con 43 categorías de incidentes, incluyendo origen natural (aludes, tormentas de arena, terremotos, erupciones volcánicas o sequías) y diferentes tipos de accidentes con algún grado de intervención humana (de avión o de construcción, entre otros), así como una tipología de 49 sitios, que permitió etiquetar las fotografías con las que se preparó el sistema.
El conjunto de datos, llamado 'Incidents1M', contiene 1,78 millones de imágenes para entrenar al modelo de detección: 977.088 tienen al menos una etiqueta positiva que las relaciona con alguno de los incidentes categorizados, mientras que 810.066 contienen etiquetas de incidentes de clase negativa; y para los sitios, 764.124 imágenes son de clase positiva y 1,02 millones son de clase negativa.
Estudio
Estas etiquetas negativas permitieron entrenar al sistema para que elimine los falsos positivos y entienda «que una fotografía de una chimenea no corresponde a un incendio, aunque comparta características visuales similares».
Con esta base hecha, el equipo entrenó un modelo para detectar incidentes en imágenes, y lo puso a prueba en fotos de redes sociales como Flickr y Twitter. Los autores han demostrado con datos reales el «potencial» de utilizar una herramienta basada en deep learning para obtener información de las redes sociales sobre desastres naturales y eventos que requieran ayuda humanitaria.
«Esto abre las puertas a que las organizaciones de ayuda humanitaria puedan enterarse de qué está pasando de forma más eficiente y puedan mejorar la gestión de la ayuda humanitaria cuando sea necesaria», añaden los investigadores.
Comentarios
