最近，人工智能專家們發現，它的人工智能識別程序失效了。至少是，不那麼好使。、要麼它就是開始自己思考了。
在颶風瑪麗亞襲擊波多黎各之後，麻省理工學院林肯實驗室的研究人員正在努力幫助災害管理部門評估損害。
這些災害管理部門提供了一批災後拍攝的80,000個航空照片。包括受到水淹的受災地帶的空中照片。
但是存在一個問題：手動排序的圖像太多，商業圖像識別系統無法識別任何有意義的內容。在一個特別令人震驚的例子中，顯示出人工智能發生了意外的情況，
ImageNet是圖像分類的黃金標準，但是，在處理這些照片的時候，它卻將洪水區的圖像標記為廁所。這是完全沒有關聯的2個事物。
“有這種驚人的信息內容，也許是最早的那個人類標註者的懶惰和疏忽，才會導致這樣的出錯，”研究者說。
但是大多數計算機視覺系統都是按照常規的日常圖像進行培訓的，因此他們無法可靠地在災區挑選相關細節。
於是，研究人員準備了新的訓練數據來培養人工智能圖片識別，
新數據集包括超過620,000張圖像和96.5小時的視頻，都是來自各種媒體機構的災難和事故照片，
問題是，人工智能能識別這種混亂場景裡的事物嗎？這些與日常生活完全意外的場景。
為了使其對緊急救援人員真正有用，研究人員考慮了可能會欺騙常見圖像分類系統導致出錯的各種緊急情況。
例如，他們得到的洪水災後照片，機器視覺識別為水中的船隻，這樣的情況也經常出現。
他們還花費了大量時間來確定註釋圖像的最佳方法。因此，他們模仿了ImageNet的組織結構，將照片分組為越來越具體的對象類別，如動物，狗，拉布拉多犬。然而，研究人員不是根據對象類別，而是根據日益具體的災害特徵對照片進行聚類：是否有損壞？是還是不是？有水嗎？是還是不是？水應該在那裡嗎？是還是不是？
標籤化將使計算機視覺研究人員能夠輕鬆地對數據集進行分類
，並選擇相關部分來訓練與災害相關的圖像識別系統。這些系統將幫助緊急救援人員快速處理來自新災難情景的圖像，以瞭解最嚴重的影響區域。
研究人員表示，這仍然是一項正在進行的工作，但他對其新方法感到興奮。他說，“如果我們能找到一種說法，'這就是你應該如何評估災難響應圖像，'亞馬遜，任務兔和所有其他雲源實體”可以開始將其作為行業標準使用，並開始開發更多災難感知識別系統。
研究人員現在正在向國家標準與技術研究所提供數據集，並已開始與其他組織合作，圍繞其使用建立圖像識別競賽。“我們正在研究如何將這些方法交到計算機視覺研究人員手中，”
