最近，人工智能专家们发现，它的人工智能辨认程序失效了。至少是，不那么好使。、要么它就是末尾本人思索了。
在飓风玛丽亚袭击波多黎各之后，麻省理工学院林肯实验室的研讨人员正在努力协助灾祸管理部门评价损害。
这些灾祸管理部门提供了一批灾后拍摄的80,000个航空照片。包括遭到水淹的受灾地带的空中照片。
但是存在一个成绩：手动排序的图像太多，商业图像辨认系统无法辨认任何有意义的内容。在一个特别令人震惊的例子中，显示出人工智能发生了不测的状况，
ImageNet是图像分类的黄金标准，但是，在处理这些照片的时分，它却将洪水区的图像标记为厕所。这是完全没有关联的2个事物。
“有这种惊人的信息内容，也许是最早的那个人类标注者的懒散和忽略，才会导致这样的出错，”研讨者说。
但是大多数计算机视觉系统都是按照常规的日常图像停止培训的，因此他们无法牢靠地在灾区挑选相关细节。
于是，研讨人员预备了新的训练数据来培育人工智能图片辨认，
新数据集包括超过620,000张图像和96.5小时的视频，都是来自各种媒体机构的灾难和事故照片，
成绩是，人工智能能辨认这种混乱场景里的事物吗？这些与日常生活完全不测的场景。
为了使其对紧急救援人员真正有用，研讨人员思索了能够会诈骗常见图像分类系统导致出错的各种紧急状况。
例如，他们得到的洪水患后照片，机器视觉辨以为水中的船只，这样的状况也常常出现。
他们还花费了大量工夫来确定注释图像的最佳方法。因此，他们模拟了ImageNet的组织结构，将照片分组为越来越详细的对象类别，如动物，狗，拉布拉多犬。但是，研讨人员不是根据对象类别，而是根据日益详细的灾祸特征对照片停止聚类：能否有损坏？是还是不是？有水吗？是还是不是？水应该在那里吗？是还是不是？
标签化将使计算机视觉研讨人员可以轻松地对数据集停止分类
，并选择相关部分来训练与灾祸相关的图像辨认系统。这些系统将协助紧急救援人员疾速处理来自新灾难情形的图像，以了解最严重的影响区域。
研讨人员表示，这照旧是一项正在停止的工作，但他对其新方法感到兴奋。他说，“假如我们能找到一种说法，'这就是你应该如何评价灾难呼应图像，'亚马逊，义务兔和一切其他云源实体”可以末尾将其作为行业标准运用，并末尾开发更多灾难感知辨认系统。
研讨人员如今正在向国家标准与技术研讨所提供数据集，并已末尾与其他组织合作，围绕其运用建立图像辨认竞赛。“我们正在研讨如何将这些方法交到计算机视觉研讨人员手中，” |
