研究人员设计工具利用社交媒体上的图像自动检测自然灾害

一个国际研究团队设计了一种深度学习系统，能够利用社交媒体上发布的图像来检测自然灾害。研究人员应用了计算机视觉工具，这些工具经过使用170万张照片进行训练后，被证明能够分析、过滤和检测真实的灾难。该论文发表在IEEETransactionsonPatternAnalysisandMachineIntelligence杂志上。

麻省理工学院(MIT)领导的该项目的研究人员之一是ÀgataLapedriza，他是电子健康中心专门研究人工智能促进人类福祉的AIWELL研究小组的负责人，也是该项目的成员。加泰罗尼亚大学(UOC)计算机科学、多媒体和电信学院。

随着全球变暖的加剧，洪水、龙卷风和森林火灾等自然灾害变得更加频繁和更具破坏性。由于仍然没有工具可以预测此类事件将在何时何地发生，因此应急服务和国际合作机构能够快速有效地做出反应以拯救生命至关重要。“幸运的是，技术可以在这些情况下发挥关键作用。社交媒体帖子可以用作低延迟数据源，以了解灾难的进展和后果，”拉佩德里扎解释道。

之前的研究重点是分析文本帖子，但这项研究走得更远。在麻省理工学院计算机科学和人工智能实验室期间，Lapedriza为事件分类法和用于训练深度学习模型的数据库的开发做出了贡献，并进行了实验来验证该技术。

研究人员创建了一份包含43类事件的清单，包括自然灾害(雪崩、沙尘暴、地震、火山爆发、干旱等)以及涉及某些人为干预因素的事故(飞机失事、建筑事故等)。该列表以及49个地点类别使研究人员能够标记用于训练系统的图像。

作者创建了一个名为Incidents1M的数据库，其中包含1,787,154张图像，然后将其用于训练事件检测模型。在这些图像中，977,088张至少有一个将其与事件分类之一联系起来的正面标签，而810,066张则有负面标签。同时，对于地点类别，764,124张图像具有类正标签，1,023,030张图像具有类负标签。

避免误报

这些负面标签意味着可以对系统进行训练以消除误报;例如，一张壁炉的照片并不意味着房子着火了，尽管它在视觉上有一些相似之处。数据库构建完成后，该团队就“基于多任务学习范式并采用卷积神经网络(CNN)”训练了一个模型来检测事件。

当深度学习模型被训练来检测图像中的事件时，团队进行了一系列实验来测试它，这次使用了从Flickr和Twitter等社交媒体下载的大量图像。Lapedriza说：“我们的模型能够使用这些图像来检测事件，并检查它们是否确实与特定的记录事件相对应，例如2015年尼泊尔和智利的地震。”

作者利用真实数据证明了基于深度学习的工具在从社交媒体获取有关自然灾害和需要人道主义援助的事件的信息方面的潜力。她说：“这将帮助人道主义援助组织更有效地了解灾难期间发生的情况，并在需要时改进人道主义援助的管理方式。”

继这一成就之后，下一个挑战可能是，例如，使用洪水、火灾或其他事件的相同图像来自动确定事件的严重性，甚至随着时间的推移更有效地对其进行监控。作者还建议科学界可以通过将图像分析与随附文本分析结合起来来跟进研究，以实现更准确的分类。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！