La tecnología de visión artificial ha revolucionado nuestra forma de ver el mundo. A día de hoy, las máquinas han superado a los humanos en tareas como el reconocimiento facial y otros tipos objetos, así como en el diagnóstico por imagen. La tecnología ya se emplea en una amplia gama de aplicaciones, desde sistemas de seguridad y reciclaje, hasta vehículos autónomos.

Pero aún quedan áreas en las que las técnicas de visión artificial aún no han tenido demasiado impacto. Una de ellas es en el análisis de imágenes satelitales de la Tierra. Y es algo sorprendente, ya que hay un volumen enorme de imágenes de satélite disponibles, e incluyen bastante información sobre su contenido y otros detalles. Por lo tanto, resultan ideales para que las máquinas les extraigan un sentido. Pero a pesar de ello, la mayoría de los análisis de imágenes satelitales los llevan a cabo expertos humanos entrenados para reconocer cosas relativamente obvias como carreteras, edificios y los usos del terreno.

Pero esto podría estar a punto de cambiar gracias al DeepGlobe Satellite Challenge, un reto organizado por investigadores de Facebook, la compañía de imágenes satelitales DigitalGlobe, socios académicos del Instituto Tecnológico de Massachusetts (MIT en EE. UU.) y otras universidades. Su objetivo consiste en utilizar técnicas de visión artificial para automatizar el proceso de análisis de imágenes satelitales. Los resultados de la competición se anunciarán el próximo mes.

Los organizadores del DeepGlobe quieren automatizar la identificación de tres tipos de información presente en imágenes de satélite: redes de carreteras, edificios y uso de la tierra. La tarea consiste en tomar una imagen satelital y convertirla en una de las siguientes opciones: una máscara que muestra la red de carreteras; un conjunto superpuesto de polígonos que representan edificios; o un mapa codificado por colores que representan los distintos usos del terreno: agricultura, la vida urbana, silvicultura, etcétera.

Para cada una de estas tres tareas, los organizadores han creado una base de datos de imágenes etiquetadas que los participantes usan para entrenar a sus sistemas de visión artificial. Los desafíos se evaluarán en función el rendimiento de sus sistemas en una base de datos de prueba.

Los conjuntos de datos de entrenamiento son bastante complejos. El de identificación vial incluye unas 9.000 imágenes con una resolución de 50 centímetros, y que abarcan un área total de más de 2.000 kilómetros cuadrados en Tailandia, Indonesia e India. Las imágenes incluyen áreas urbanas y rurales con caminos pavimentados y sin pavimentar. El conjunto de datos de entrenamiento también incluye una máscara para cada imagen que muestra la red de carreteras en esa área.

El conjunto de datos de edificios cuenta con más de 24.000 imágenes, cada una de las cuales abarca un área de 40.000 metros cuadrados en Las Vegas (EE. UU.), París (Francia), Jartum (Sudán) o Shanghái (China). En total hay más de 300.000 edificios que un equipo humano representó en forma de un polígono superpuesto sobre la imagen original.

El conjunto de datos de uso de la tierra consta de más de 1.000 imágenes RVA (o de color verdadero) con una resolución de 50 centímetros, e incluye una máscara que muestra el uso del suelo determinado por expertos humanos. Entre los tipos de uso se distinguen áreas urbanas, agrícolas, pastizales, bosques, aguas, estériles y desconocidas (es decir, cubiertas por nubes).

Los organizadores del DeepGlobe Challenge han desarrollado una serie de algoritmos para medir la precisión de los datos generados por cada participante. Y ya hay cerca de 950 equipos registrados para participar. Los ganadores serán anunciados en una conferencia en Salt Lake City (EE. UU.) el 18 de junio.

El reto parece bastante fácil de superar, y es probable que los principales beneficios sean para habitantes de áreas remotas donde las redes viales aún no están mapeadas. Uno de los patrocinadores del desafío es Uber, que podría usar este tipo de datos para extender sus servicios. El análisis automatizado de imágenes satelitales también debería ser útil frente desastres naturales, pues ayudaría a los servicios de emergencia a llegar rápidamente a las áreas afectadas. Además, si los datos están ampliamente disponibles a un precio económico, podrían ser útiles para la investigación del cambio climático y para la planificación urbana.

Y eso debería ser solo el comienzo. Es probable que este tipo de análisis solo sean un trampolín hacia una comprensión más profunda del mundo que nos rodea. Será interesante ver los resultados de los participantes.

Ref: arxiv.org/abs/1805.06561: DeepGlobe 2018: A Challenge to Parse the Earth through Satellite Images