Cuando vemos un video de la evolución de Dubai desde hace casi 40 años podemos entender los cambios que han sucedido a largo plazo de una forma bastante sencilla a simple vista, gracias a las tomas de archivo realizadas en un solo lugar durante un periodo en el que se realizaban construcciones a gran escala. En las imágenes de satélite, la retrospectiva es fácil.

Pero, ¿qué pasa con la detección automática de grandes proyectos de construcción a medida que se desarrollan, en cualquier lugar de la Tierra? Eso ya no es tan fácil. Y es el trabajo que una agencia de I+D de la comunidad de inteligencia llamada Actividad de Proyectos de Investigación Avanzada de Inteligencia (IARPA), que está intentando dar un gran salto adelante a través de un programa denominado Smart.

Photo by USGS on Unsplash

Smart son las siglas de Space-based Machine Automated Recognition Technique, y su objetivo es “armonizar” los datos procedentes de muchos tipos de satélites de observación de la Tierra y, a continuación, encomendar a un software la búsqueda de signos de cambio, naturales o provocados por el hombre. Todo el mundo -desde las agencias de espionaje hasta los científicos del clima, pasando por las compañías de seguros y los bomberos- quiere utilizar esas imágenes para entender lo que está ocurriendo en la Tierra. Pero hay más datos satelitales de los que los analistas humanos pueden seguir. La automatización de al menos una parte del análisis aprovecha la ingente cantidad de datos que existen y elimina el tedio para que la gente pueda centrarse en la interpretación.

El programa se centra inicialmente en la identificación y el seguimiento de construcciones pesadas porque, en lugar de limitarse a identificar objetos individuales desde arriba, para detectar una obra de construcción es necesario identificar muchos objetos y cambios en el terreno a lo largo del tiempo y deducir un patrón a partir de ellos. “Mucho de lo que vemos hoy en día es ‘¿Puedo encontrar un objeto concreto?'”, dice Jack Cooper, director del programa. “Y Smart está tratando de averiguar qué significan todos esos objetos, juntos”.

Por ejemplo, ahora mismo los algoritmos que analizan las imágenes por satélite podrían, por ejemplo, identificar todos los camiones de carga de una zona. Pero para identificar la construcción pesada, los equipos de Smart no pueden limitarse a construir un detector de camiones de carga, porque esos vehículos pesados suelen aparecer en lugares donde no se está construyendo nada. Y el software no puede limitarse a enviar una alerta cuando la vegetación verde se convierte en tierra marrón, porque ese cambio no puede atribuirse a una sola causa. Puede indicar una tala de árboles, en lugar de un espacio que se está preparando para una nueva cimentación. Además, hay otro problema: Los satélites no ven todos el mundo de la misma manera. Cada satélite tiene sus propias características. La visión de un satélite de una zona verde de hierba puede ser diferente de la de otros, y diferente de un día a otro. Esto puede deberse al ángulo del sol, al estado de la atmósfera o a las variaciones de los sensores de las cámaras.

Por último, las imágenes -a menudo muchos miles de ellas- suelen tener que ser identificadas y etiquetadas por una persona antes de poder alimentar a una IA como un conjunto de ejemplos previos para enseñarle a reconocer imágenes similares.

Eso puede estar bien para objetos discretos, como simples fotos de gatos o perros, pero es más difícil para un paisaje complejo fotografiado desde lo alto. Una sola toma de satélite puede capturar toda un área metropolitana: paradas de autobús, buzones, puestos de helados, niños en bicicleta. A un ser humano le costaría semanas, y mucho dinero, etiquetar todas esas partes. Por ello, la empresa, con la ayuda de investigadores procedentes del mundo académico, se está centrando en el desarrollo de nuevas técnicas de aprendizaje no supervisado. Para ello, los investigadores dan a una red neuronal una gran cantidad de datos sin etiquetar y luego la sueltan para ver qué patrones y propiedades puede identificar por sí misma.

Esperamos que pronto podamos ver las aplicaciones civiles de esta tecnología, por ejemplo en la detección temprana de incendios forestales.

Artículo original (en inglés): https://www.wired.com/story/spotting-objects-from-space-is-easy-this-challenge-is-harder/

Danos tu opinión

(No hay valoraciones)
Cargando...