Panasonic opracowuje dwie zaawansowane technologie sztucznej inteligencji,
Przyjęty na CVPR2021,
wiodąca na świecie międzynarodowa konferencja poświęcona technologii AI
[1] Domowy Genom Akcji: Kontrastowe Zrozumienie Akcji Kompozycyjnej
Z przyjemnością informujemy, że opracowaliśmy nowy zbiór danych „Home Action Genome”, który gromadzi dane o codziennej aktywności ludzi w ich domach za pomocą kilku rodzajów czujników, w tym kamer, mikrofonów i czujników termicznych. Stworzyliśmy i udostępniliśmy największy na świecie multimodalny zbiór danych dla przestrzeni życiowych, podczas gdy większość zbiorów danych dla przestrzeni życiowych była niewielka. Dzięki zastosowaniu tego zbioru danych, badacze sztucznej inteligencji mogą wykorzystać go jako dane treningowe do badań nad uczeniem maszynowym i sztuczną inteligencją, aby wspierać ludzi w przestrzeni życiowej.
Oprócz powyższego, opracowaliśmy technologię uczenia kooperacyjnego do rozpoznawania aktywności hierarchicznych w multimodalnych i wielopunktowych perspektywach. Dzięki zastosowaniu tej technologii możemy uczyć się spójnych cech pomiędzy różnymi punktami widzenia, czujnikami, zachowaniami hierarchicznymi i szczegółowymi etykietami zachowań, a tym samym poprawić skuteczność rozpoznawania złożonych aktywności w przestrzeni życiowej.
Technologia ta jest wynikiem badań prowadzonych we współpracy Centrum Technologii Cyfrowej Sztucznej Inteligencji, Działu Technologii i Stanford Vision and Learning Lab na Uniwersytecie Stanforda.
Rysunek 1: Wspólne, kompozycyjne rozumienie działania (CCAU)Wspólne trenowanie wszystkich modalności pozwala nam zaobserwować poprawę wydajności.
Wykorzystujemy szkolenia wykorzystujące zarówno etykiety na poziomie wideo, jak i atomowe działania, aby zarówno filmy, jak i atomowe działania mogły korzystać z kompozycyjnych interakcji między nimi.
[2] AutoDO: solidne automatyczne rozszerzanie danych obciążonych szumem etykiet za pomocą skalowalnego probabilistycznego niejawnego różnicowania
Z przyjemnością informujemy również, że opracowaliśmy nową technologię uczenia maszynowego, która automatycznie wykonuje optymalną augmentację danych zgodnie z rozkładem danych treningowych. Technologia ta może być stosowana w sytuacjach rzeczywistych, w których dostępnych danych jest bardzo mało. W naszych głównych obszarach działalności istnieje wiele przypadków, w których trudno jest zastosować technologię AI ze względu na ograniczenia dostępnych danych. Dzięki zastosowaniu tej technologii proces dostrajania parametrów augmentacji danych może zostać wyeliminowany, a parametry mogą być dostosowywane automatycznie. W związku z tym można oczekiwać, że zakres zastosowań technologii AI może się szerzej rozszerzyć. W przyszłości, poprzez dalsze przyspieszenie badań i rozwoju tej technologii, będziemy pracować nad stworzeniem technologii AI, która będzie mogła być stosowana w rzeczywistych środowiskach, takich jak znane urządzenia i systemy. Technologia ta jest wynikiem badań przeprowadzonych przez Centrum Technologii Cyfrowej AI, Dział Technologii, Laboratorium AI Panasonic R&D Company of America.
Rysunek 2: AutoDO rozwiązuje problem rozszerzania danych (dylemat DA ze wspólną polityką). Rozkład rozszerzonych danych pociągowych (przerywana niebieska linia) może nie odpowiadać danym testowym (ciągła czerwona linia) w przestrzeni ukrytej:
„2” jest niedoszacowane, a „5” przeszacowane. W rezultacie wcześniejsze metody nie są w stanie dopasować się do rozkładu testowego, a decyzja wyuczonego klasyfikatora f(θ) jest niedokładna.
Szczegóły tych technologii zostaną zaprezentowane na konferencji CVPR2021 (która odbędzie się 19 czerwca 2017 r.).
Powyższa wiadomość pochodzi z oficjalnej strony internetowej firmy Panasonic!
Czas publikacji: 03-06-2021
