Sacrifice humain | EPFL Graph Search

vignette|260px|Enfants de Llullaillaco, Sacrifice humain chez les Incas, Province de Salta (Argentine). Un sacrifice humain est un rite religieux qui a été pratiqué dans la plupart des civilisations, notamment au Néolithique et durant l'Antiquité, le plus souvent pour s'attirer les faveurs des dieux, par exemple pour conjurer la sécheresse, ou pour que les personnages importants tels que les souverains soient accompagnés dans l'au-delà par les sacrifiés. Attesté en particulier en Mésoamérique, où le sacrifice par cardiectomie était pratiqué de manière très courante et parfois à très grande échelle (lors de certaines occasions exceptionnelles, les Aztèques ont sacrifié jusqu'à des milliers de personnes en quelques jours), ce type de pratique se retrouve dans d'autres civilisations comme celles de l'Antiquité méditerranéenne, dans la Chine archaïque jusqu'à la dynastie Shang, chez les Dogons en Afrique et même à l'époque contemporaine, dans le nord-est de l'Inde et dans le royaume de Dahomey. Le courant de pensée fonctionnaliste s'est attaché à la question de la fonction sociale du sacrifice humain au sein du groupe humain. En effet, il aurait pour but de canaliser la violence vers un individu (sacrifié) et vers le domaine du sacré, institutionnalisant ainsi la violence qui est encadrée et pratiquée selon des rites et règles bien précises. Ainsi, le sacrifice humain assurerait la cohésion et la pérennité du groupe protégé de toute « violence intérieure » qui est évacuée par des rites magico-religieux. Le sacrifice humain a fait partie des rites pratiqués lors de la fondation de villes dans diverses civilisations ; on le retrouve dans le mythe fondateur de Rémus et Romulus, ainsi que dans la légende attachée à saint Odran lors de la christianisation de l'île d'Iona en Écosse. Les sociétés pratiquant ces sacrifices ont parfois une attitude ambivalente entre la nécessité de mettre à mort la victime et le refus de prendre la responsabilité de cette mort.

Combining Human Computing and Machine Learning to Make Sense of Big (Aerial) Data for Disaster Response

Stéphane Joost, Devis Tuia, Matthew Josef Parkan, Carlos Castillo, Muhammad Imran, Nicolas Rey, Patrick Meier, Julien Briant

Aerial imagery captured via unmanned aerial vehicles (UAVs) is playing an increasingly important role in disaster response. Unlike satellite imagery, aerial imagery can be captured and processed within hours rather than days. In addition, the spatial resolution of aerial imagery is an order of magnitude higher than the imagery produced by the most sophisticated commercial satellites today. Both the United States Federal Emergency Management Agency (FEMA) and the European Commission’s Joint Research Center ( JRC) have noted that aerial imagery will inevitably present a big data challenge. The purpose of this article is to get ahead of this future challenge by proposing a hybrid crowdsourcing and real-time machine learning solution to rapidly process large volumes of aerial data for disaster response in a time-sensitive manner. Crowdsourcing can be used to annotate features of interest in aerial images (such as damaged shelters and roads blocked by debris). These human-annotated features can then be used to train a supervised machine learning system to learn to recognize such features in new unseen images. In this article, we describe how this hybrid solution for image analysis can be imple- mented as a module (i.e., Aerial Clicker) to extend an existing platform called Artiﬁcial Intelligence for Disaster Response (AIDR), which has already been deployed to classify microblog messages during disasters using its Text Clicker module and in response to Cyclone Pam, a category 5 cyclone that devastated Vanuatu in March 2015. The hybrid solution we present can be applied to both aerial and satellite imagery and has applications beyond disaster response such as wildlife protection, human rights, and archeological exploration. As a proof of concept, we recently piloted this solution using very high-resolution aerial photographs of a wildlife reserve in Namibia to support rangers with their wildlife conservation efforts (SAVMAP project, http://lasig.epﬂ.ch/savmap). The results suggest that the platform we have developed to combine crowdsourcing and machine learning to make sense of large volumes of aerial images can be used for disaster response.

Mary Ann Liebert, Inc2016

Combining Human Computing and Machine Learning to Make Sense of Big (Aerial) Data for Disaster Response

Stéphane Joost, Devis Tuia, Matthew Josef Parkan, Carlos Castillo, Muhammad Imran, Nicolas Rey, Patrick Meier, Julien Briant

Mary Ann Liebert, Inc2016