最近，人工智能专家们发现，它的人工智能识别程序失效了。至少是，不那么好使。、要么它就是开始自己思考了。
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究人员正在努力帮助灾害管理部门评估损害。
这些灾害管理部门提供了一批灾后拍摄的80,000个航空照片。包括受到水淹的受灾地带的空中照片。
但是存在一个问题：手动排序的图像太多，商业图像识别系统无法识别任何有意义的内容。在一个特别令人震惊的例子中，显示出人工智能发生了意外的情况，
ImageNet是图像分类的黄金标准，但是，在处理这些照片的时候，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惰和疏忽，才会导致这样的出错，”研究者说。
但是大多数计算机视觉系统都是按照常规的日常图像进行培训的，因此他们无法可靠地在灾区挑选相关细节。
于是，研究人员准备了新的训练数据来培养人工智能图片识别，
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，
问题是，人工智能能识别这种混乱场景里的事物吗？这些与日常生活完全意外的场景。
为了使其对紧急救援人员真正有用，研究人员考虑了可能会欺骗常见图像分类系统导致出错的各种紧急情况。
例如，他们得到的洪水灾后照片，机器视觉识别为水中的船只，这样的情况也经常出现。
他们还花费了大量时间来确定注释图像的最佳方法。因此，他们模仿了ImageNet的组织结构，将照片分组为越来越具体的对象类别，如动物，狗，拉布拉多犬。然而，研究人员不是根据对象类别，而是根据日益具体的灾害特征对照片进行聚类：是否有损坏？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究人员能够轻松地对数据集进行分类
，并选择相关部分来训练与灾害相关的图像识别系统。这些系统将帮助紧急救援人员快速处理来自新灾难情景的图像，以了解最严重的影响区域。
研究人员表示，这仍然是一项正在进行的工作，但他对其新方法感到兴奋。他说，“如果我们能找到一种说法，'这就是你应该如何评估灾难响应图像，'亚马逊，任务兔和所有其他云源实体”可以开始将其作为行业标准使用，并开始开发更多灾难感知识别系统。
研究人员现在正在向国家标准与技术研究所提供数据集，并已开始与其他组织合作，围绕其使用建立图像识别竞赛。“我们正在研究如何将这些方法交到计算机视觉研究人员手中，”
