La Generalitat i una desena d’agents tecnològics i econòmics catalans, entre els quals el CVC, creen un ‘hub’ per a la transformació digital de les pimes

La Generalitat de Catalunya i una desena d’agents econòmics, centres tecnològics i de coneixement catalans han anunciat aquest dijous la creació del Digital Innovation Hub de Catalunya (DIH4CAT) per accelerar la incorporació de tecnologia avançada per part de les empreses i institucions catalanes. Es tracta d’un consorci publicoprivat impulsat pel Departament d’Empresa i Treball mitjançant ACCIÓ, el Departament de la Vicepresidència i de Polítiques Digitals i Territori, Foment del Treball, PIMEC, Eurecat, el CVC, l’ICFO, la Fundació i2CAT, Leitat, la Universitat Politècnica de Catalunya (UPC), el Barcelona Supercomputing Center i IESE Business School.

El DIH4CAT, que aspira a ser un dels European Digital Innovation Hubs seleccionats per la Comissió Europea, és un ecosistema d’innovació regional, coordinat amb els principals agents de suport a la digitalització a Catalunya, i orientat a satisfer els reptes de la indústria (i en especial de les pimes) i administracions públiques a través del testeig de tecnologia avançada, com a pas previ a la implantació. El DIH4CAT es configura com un centre de serveis en xarxa, a manera de “finestreta única” a través de la qual les empreses i les institucions públiques poden accedir a capacitat, solucions i infraestructures tecnològiques per impulsar la seva transformació digital.

Els serveis que el DIH4CAT posa a disposició de les pimes, start-ups i entitats públiques són principalment: serveis de testeig i experimentació de tecnologies digitals avançades a través de l’accés a infraestructures tecnològiques de referència; capacitats digitals i tecnologies avançades; consultoria tecnològica prèvia al testeig; formació tecnològica especialitzada; connexió amb l’ecosistema d’innovació, i assessorament en la cerca de finançament.

L’objectiu d’aquesta iniciativa és facilitar que les pimes catalanes puguin fer proves i testeigs als laboratoris i infraestructures dels membres del DIH4CAT abans d’invertir per implementar-les als seus negocis. Així, amb un pressupost inicial d’1 milió d’euros dedicat per part del Departament de la Vicepresidència i de Polítiques Digitals i Territori, s’atorgaran ajuts de fins a 10.000 euros per a més de 100 pimes catalanes perquè puguin dur a terme aquestes proves de concepte, desenvolupament de prototips o assajos. Les tecnologies que podran testejar estaran vinculades amb la impressió 3D, la robòtica i la fabricació avançada, la supercomputació/quàntica, la ciberseguretat, la intel·ligència artifificial, el big data, l’IoT, la 5G i la fotònica.

Després de reunir-se amb tots els membres del DIH4CAT el dijous 26 de maig al Palau de Pedralbes per donar el tret de sortida a la iniciativa, el vicepresident del Govern i conseller de Polítiques Digitals i Territori, Jordi Puigneró, ha assegurat que “aquest gran projecte de país que és el DIH4CAT és una nova mostra de l’esperit col·laboratiu que hi ha a Catalunya per impulsar els vectors de competitivitat de les nostres empreses, la connexió amb Europa i especialment la transformació tecnològica i digital”.

Per la seva banda, el conseller d’Empresa i Treball, Roger Torrent i Ramió, ha destacat que “es tracta d’un projecte estratègic que aglutina els actors tecnològics i de coneixement més rellevants de Catalunya, que tenen i tindran un rol crucial per impulsar la transformació digital del teixit industrial del país”. “El DIH serà clau per tal que més pimes duguin a terme processos de digitalització avançada i contribuirà, per tant, que Catalunya faci un salt endavant des d’un punt de vista tecnològic”, ha subratllat.

El CVC està compromès amb la transformació digital i el progrés tecnològic del teixit empresarial català, amb més de 25 anys d’experiència transferint coneixement i col·laborant en projectes d’innovació en el camp de la visió per computador amb la indústria local. En relació al DIH4CAT, el CVC es coordinador del node d’Intel·ligència Artificial, juntament amb Eurecat, que busca promoure la transferència entre entitats generadores de coneixement, empreses proveïdores de tecnologia i serveis i empreses i institucions demandants de solucions innovadores en IA.

 

El discurs racista a Twitter durant la pandèmia s’invisibilitza i es camufla d’informació objectiva

Els nostres investigadors Jordi Gonzalez Sabaté i Diego Velazquez han col·laborat amb Fundació Autònoma Solidària (FAS) i NOVACT a l’estudi “Racisme Digital i Covid-19. Discursos racistes i antiracistes a Twitter durant la pandèmia” amb el suport de Cooperació Catalana Generalitat de Catalunya. 

Gràcies al suport de l’Agència Catalana de Cooperació al Desenvolupament (ACCD), el CVC-UAB, la FAS i NOVACT han realitzat un estudi sobre racisme i antiracisme a les xarxes socials. La recerca posa el focus en el cas dels temporers agrícoles i s’orienta a identificar i analitzar els missatges de contingut racista i la seva relació argumental amb la pandèmia durant l’estat d’alarma del 2020.  Jordi Gonzalez Sabaté i Diego Velazquez han ajudat des de la Visió Per Computador a establir la base científica per conèixer millor l’ecosistema dels missatges discriminatoris i racistes a Twitter. L’objectiu és articular respostes antirracistes més eficients des de tots els àmbits i agents socials.

Jordi Gonzalez Sabaté i Diego Velazquez han ajudat des de la Visió Per Computador a establir la base científica per conèixer millor l’ecosistema dels missatges discriminatoris i racistes a Twitter. L’objectiu és articular respostes antirracistes més eficients des de tots els àmbits i agents socials.

Es van analitzar 1.063 piulades associades a covid19 i als temporers i temporeres en català i castellà. Els resultats mostren que el 8% dels missatges son explícitament racistes i d’assenyalament contra treballadors migrants del sector agrícola, acusats de la propagació de la COVID-19.

Un 35,9% dels tuits es classifiquen com a neutres i l’estudi aprofundeix en la perillositat d’aquests tipus de missatges que, malgrat estar camuflats com a fets objectius, reforcen marcs de pensament racista en associar i reafirmar pandèmia i migració.

A més, l’informe mostra com un terç dels missatges analitzats són de justícia social i ofereix recomanacions pràctiques sobre què fer perquè l’espai cívic virtual es transformi en un lloc de defensa dels drets humans. Tot i així, s’ha vist que el discurs racista a Twitter durant la pandèmia s’invisibilitza i es camufla d’informació objectiva.

Especialment des del confinament, les narratives de la discriminació l’odi han trobat en l’entorn digital de les xarxes socials un mitjà ideal per propagar-se. L’informe sorgeix de la necessitat d’entendre, monitorar i revertir les noves formes que pren el racisme digital i posa en relació el potencial de la universitat pública, dels centres de recerca tecnològica i de les organitzacions de la societat civil per a la defensa de drets i l’antiracisme.

Descàrrega l’informe complet:

CAT https://www.uab.cat/doc/informeracismedigitalicovid19

CAST https://novact.org/wp-content/uploads/2022/02/Racisme-Digital-i-Covid19_Persones-Temporeres_FAS_ESP.pdf

 

En què consisteix la campanya Trenquem la Lògica Racista? 

En el marc d’aquest projecte, el Programa d’Acollida de la FAS ha dut a terme en els darrers mesos la campanya “Trenquem la lògica racista” que vol fer visibles les narratives racistes que trobem en els mitjans de comunicació (especialment els que es camuflen com a neutres) i donar eines per a la reflexió i l’acció. Una de les accions de la campanya ha estat l’obertura de la Bústia Antiracista, en la que qualsevol persona pot enviar mostres de racisme digital. El grup de voluntariat del Programa l’analitza, el desmenteix i publica narratives alternatives.

El CVC y Cetaqua crean un Joint Lab para la investigación y el desarrollo de proyectos de Inteligencia Artificial aplicada a la gestión del agua y el medioambiente

Imagen médica, vehículo autónomo, robótica, entretenimiento… La visión por computador es uno de los ámbitos de la Inteligencia Artificial que está generando un impacto más tangible en nuestras vidas. En este marco, Cetaqua, Centro Tecnológico del Agua de Aigües de Barcelona, la UPC y el CSIC, y el Computer Vision Center (CVC) han firmado un acuerdo de colaboración para la investigación y el desarrollo conjunto de proyectos centrados en la aplicación de la visión por computador a la gestión del agua y al medioambiente.

Gracias a este acuerdo, se facilitará el paso de una colaboración basada en proyectos individuales a la creación conjunta de un programa de investigación en Computer Vision que permitirá identificar necesidades, desarrollar soluciones de nueva generación y transferir conocimiento para su aplicación en la gestión del ciclo del agua.

El objetivo de este Joint Lab es, por tanto, avanzar en la investigación aplicada y la transferencia en uno de los ámbitos más activos de la Inteligencia Artificial. La aplicación de la visión por computador en ámbitos como la monitorización inteligente de procesos en plantas de agua o el seguimiento del estado de espacios naturales, plantea un escenario de grandes retos y oportunidades que se abordarán en el marco de esta colaboración. La combinación de capacidades, el acceso a conocimiento experto y la disponibilidad de grandes volúmenes de datos proporcionan una base sólida para el desarrollo y la puesta en producción de soluciones de Inteligencia Artificial aplicada que respondan a los grandes retos de la gestión sostenible del agua.

Esta iniciativa de innovación abierta busca incrementar la velocidad de la digitalización en el sector del agua y el medioambiente. La Inteligencia Artificial y en particular la Visión por Computación han demostrado un enorme potencial para ofrecer soluciones prácticas, eficientes y con un gran poder transformador de las operaciones. Queremos contribuir a que el ciclo del agua sea un vector clave en la transformación digital y ecológica de nuestro entorno”, señala Carlos Montero, director general de Cetaqua.

Por su parte Josep Lladós, director del Computer Vision Center (CVC), destaca: “El CVC apuesta por un modelo de co-investigación entre academia y sector privado. Como centro generador de conocimiento y formador de talento, instrumentos de laboratorios conjuntos permiten acompañar al talento en la generación de innovación disruptiva y, en definitiva, transformar el conocimiento en valor y bienestar para la sociedad. Por otro lado, en un entorno en el que Europa apuesta por la transformación ecológica y digital, se trata de una oportunidad para aplicar las tecnologías de Inteligencia Artificial al sector medioambiental, resolviendo problemas de impacto social.”.

Los más de 25 años de trayectoria del CVC en el campo de la visión por computador y la experiencia de Cetaqua en el desarrollo de tecnologías y soluciones para alcanzar un ciclo del agua más sostenible, eficiente y seguro, permitirá establecer sinergias, poder ampliar el ecosistema de innovación y favorecer la transferencia tecnológica para ofrecer un valor añadido al sector del agua, al medio ambiente y a la sociedad en general.

New system powered by deep learning makes it possible to detect Covid-19 lesions by analysing CT chest scans

Researchers from the Eurecat technology centre, the CVC and the University of Barcelona have developed an automated system that taps into Deep Learning technology to detect lesions caused by Covid-19 by reading computed tomography (CT) chest images.

The study, conducted by researchers Giuseppe Pezzano, Vicent Ribas, Petia Radeva and Oliver Díaz, was recently published in the journal ‘Computers in Biology and Medicine’.

The research “has enabled us to confirm the system’s efficiency as a decision support tool for healthcare professionals in screening for Covid-19 and to measure the severity, extent and evolution of SARS-CoV-2 pneumonia including over the medium and long term,” says principal investigator Giuseppe Pezzano, a researcher at Eurecat’s Digital Health Unit and the UB.

Specifically, the system works by “first segmenting the lungs from the CT image to narrow down the search area and then using the algorithm to analyse the lung area and detect the presence of Covid-19,” adds Pezzano. “If there is a positive finding, the image is processed to identify the areas affected by the disease.”

The algorithm has been tested on 79 volumes and 110 slices of CT scans in which Covid-19 infection had been detected obtained from three open-access image repositories. Average accuracy for SARS-CoV-2 lesion segmentation was about 99 percent with no false positives observed during identification.

“The accuracy of the tool developed as shown by the results of the study opens up a wide range of other applications in healthcare, a field in which Artificial Intelligence is proving to be increasingly helpful,” points out Vicent Ribas, one of the study researchers and head of the Data Analytics in Medicine research strand at Eurecat’s Digital Health Unit.

The method developed uses an innovative way of calculating the segmentation mask of medical images which has also brought outstanding results in segmenting nodules in CT scans.

Recently “papers have been published showing that Deep Learning algorithms and Computer Vision have achieved greater accuracy than medical experts in detecting cancer in mammograms and predicting strokes and heart attacks,” comments Petia Radeva, CVC researcher and Professor and head of the consolidated Computer Vision and Machine Learning Research Group at the University of Barcelona. “We wanted to be there on the frontline and so we’ve developed this technology to help doctors fight Covid-19 by providing them with high-precision algorithms to analyse medical images objectively, transparently and robustly.”

“This type of automated system is an extremely significant tool for health professionals for more robust and accurate diagnoses,” says UB Assistant Professor Oliver Díaz. “That’s because it can provide information which cannot be measured by a human being.”


Reference: CoLe-CNN+: Context learning – Convolutional neural network for COVID-19-Ground-Glass-Opacities detection and segmentation – ScienceDirect

Related articles:

Computer Vision meets archaeology to detect near 10k Archaeological Tumuli in Galicia

Researchers from the Computer Vision Center and the Landscape Archaeology Research Group (GIAP) of the Catalan Institute of Classical Archaeology (ICAC) have developed a hybrid algorithm that combines Deep Learning and Machine Learning to improve the automatic detection of archaeological tumuli avoiding the inclusion of most false positives.

Archaeological tumuli are one of the most common types of archaeological sites and can be found across the globe. This is perhaps why many studies have attempted to develop methods for their automated detection. Their characteristic tumular shape has been the primary feature for their identification on the field and in LiDAR-based topographic data, which usually takes the form of Digital Terrain Models (DTMs).

The simple shape of mounds or tumuli is ideal for their detection using deep learning approaches. Deep learning detectors usually require large quantities of training data (in the order of thousands of examples) to be able to produce significant results. However, the homogenously semi-hemispherical shape of tumuli, allows the training of usable detectors with a much lower quantity of training data, reducing considerably the effort required to obtain it and the significant computational resources necessary to train a convolutional neural network (CNN) detector.

This type of features, however, present an important drawback. Their common, simple, and regular shape is similar to many other non-archaeological features and therefore studies implementing methods for mound detection in LiDAR-derived DTMs and other high-resolution datasets are characterised by a very large presence of false positives (objects incorrectly identified as mounds).

During the initial research, the researchers from the GIAP group of the Catalan Institute of Classical Archaeology, Iban Berganzo and Hèctor A. Orengo, located almost 9000 tumuli in Galicia. However, not all of these were actual tumuli as the automated detection results also included false positives. After initial data validation was performed in collaboration with Dr. Miguel Carrero (University College London & University of Santiago de Compostela, GEPN-AAT), Dr. João Fonte (University of Exeter) and Dr. Benito Vilas (University of Vigo) they realised that from the ca. 9000 detected objects only ca. 7600 corresponded to real archaeological mounds. Although, this was an excellent result, well below the percentage of false positives presented by similar studies, they thought they could improve the detection rate while decreasing the number of false positives.

For this reason, during the summer, GIAP researchers in collaboration with CVC researcher Dr. Felipe Lumbreras developed a new approach to reduce the number of false positives while increasing the detection rate. After analysing the nature of the detected false positives, they developed a hybrid approach that mixes classical machine learning and deep learning. The objective was to obtain a more precise definition of archaeological tumuli in which not just the shape but also the multispectral characteristics of the objects will be considered when looking for tumuli.

The fist results have been published at the Remote Sensing journal. In this article, researchers give more information on the data analyzed and the performance of this innovative computer-based automatic detection initiative.

Results:

The results that this new approach has produced are nothing less than spectacular:

  • The area covered is the largest (to the extent of our knowledge) in which archaeological DL approaches have ever been applied and it covers almost 30,000 km2
  • 10,527 objects have been detected of which approximately 9,422 correspond to archaeological tumuli (after careful visual validation with high resolution imagery and pending ground validation). That is, a 89.5% of the detected tumuli correspond to true positives.
  • We have only employed open source data in this research. However, the use of higher resolution data, in particular higher resolution satellite imagery instead of the Sentinel 2 (10m/px) images employed, would radically decrease the number of false positives reaching a success rate above 97%.
  • Code, sources and results (including validation) are freely available and the code is designed to be used in freely accessible cloud computing platforms Google Colaboratory and Earth Engine) so the lack of computational resources will not pose a problem for its application to other study areas (even very large ones).

This approach provides a way forward for the detection of tumuli avoiding the inclusion of most false positives. The algorithm can be applied in areas of the world where topographic data of enough resolution are available. Providing specific training data, this hybrid approach can also be used to detect other types of features where large number of false positives area an issue.

Link to the paper: https://www.mdpi.com/2072-4292/13/20/4181


Funding

This research has received funding from multiple sources, that we would like to acknowledge here: Iban Berganzo’s PhD is funded with an Ayuda a Equipos de Investigación Científica of the Fundación BBVA for the Project DIASur. Hector A. Orengo is a Ramón y Cajal Fellow (RYC-2016-19637) of the Spanish Ministry of Science, Innovation and Universities. Felipe Lumbreras work is supported in part by the Spanish Ministry of Science and Innovation project BOSSS TIN2017-89723-P. Miguel Carrero and João Fonte are Marie Skłodowska-Curie Fellows (Grant Agreements 886793 and 794048 respectively). Some of the GPUs used in these experiments are a donation of Nvidia Hardware Grant Programme.