Los proveedores comerciales de servicios en la nube dan un impulso a la informática de inteligencia artificial en el MIT.
primera red aprende la estructura subyacente de un conjunto de imágenes e intenta reproducirlas, mientras que la segunda decide qué imágenes parecen inverosímiles y le dice a la primera red que intente nuevamente.
Inspirándose en los investigadores que usaron GAN para visualizar proyecciones de aumento del nivel del mar a partir de imágenes de Street View, Leshchinskiy quería ver si las imágenes satelitales podían personalizar de manera similar las proyecciones climáticas. Con su asesor, el profesor de AeroAstro Dava Newman , Leshchinskiy actualmente utiliza créditos gratuitos de IBM Cloud para entrenar un par de GAN en imágenes de la costa este de EE. UU. con sus puntos de elevación correspondientes. El objetivo es visualizar cómo las proyecciones de aumento del nivel del mar para 2050 redibujarán la costa. Si el proyecto funciona, Leshinskiy espera utilizar otros conjuntos de datos de la NASA para imaginar la futura acidificación de los océanos y los cambios en la abundancia de fitoplancton.
“Hemos pasado el punto de mitigación”, dice. “Visualizar cómo será el mundo dentro de tres décadas puede ayudarnos a adaptarnos al cambio climático”.
Identificar deportistas a partir de unos pocos gestos
Unos pocos movimientos en el campo o la cancha son suficientes para que un modelo de visión por computadora identifique a los atletas individuales. Eso es según una investigación preliminar realizada por un equipo dirigido por Katherine Gallagher , investigadora de MIT Quest for Intelligence.
El equipo entrenó modelos de visión por computadora en grabaciones de video de partidos de tenis y juegos de fútbol y baloncesto y descubrió que los modelos podían reconocer a jugadores individuales en solo unos pocos cuadros desde puntos clave de su cuerpo proporcionando un contorno aproximado de su esqueleto.
El equipo usó una API de Google Cloud para procesar los datos de video y comparó el rendimiento de sus modelos con modelos entrenados en la plataforma de IA de Google Cloud. “Esta información de pose es tan distintiva que nuestros modelos pueden identificar a los jugadores con una precisión casi tan buena como los modelos que reciben mucha más información, como el color del cabello y la ropa”, dice.
Sus resultados son relevantes para la identificación automática de jugadores en los sistemas de análisis de deportes, y podrían proporcionar una base para futuras investigaciones sobre cómo inferir la fatiga de los jugadores para anticipar cuándo se deben cambiar los jugadores. La detección automatizada de poses también podría ayudar a los atletas a refinar su técnica al permitirles aislar los movimientos precisos asociados con el impulso experto de un golfista o el swing ganador de un jugador de tenis.
