Panasonic opracowuje dwie zaawansowane technologie AI,
Przyjęty do CVPR2021,
Wiodąca na świecie międzynarodowa konferencja poświęcona technologii AI
[1] Domowe działanie genomu: Kontrastowe zrozumienie działania kompozycyjnego
Z przyjemnością informujemy, że opracowaliśmy nowy zbiór danych „Home Action Genome”, który zbiera codzienne czynności ludzi w ich domach przy użyciu kilku typów czujników, w tym kamer, mikrofonów i czujników termicznych. Skonstruowaliśmy i udostępniliśmy największy na świecie multimodalny zbiór danych dla przestrzeni życiowych, podczas gdy większość zbiorów danych dla przestrzeni życiowych była niewielkich rozmiarów. Stosując ten zbiór danych, badacze AI mogą używać go jako danych szkoleniowych do uczenia maszynowego i badań nad AI, aby wspierać ludzi w przestrzeni życiowej.
Oprócz powyższego opracowaliśmy technologię uczenia kooperacyjnego do rozpoznawania hierarchicznej aktywności w multimodalnych i wielokrotnych punktach widzenia. Stosując tę technologię, możemy uczyć się spójnych cech między różnymi punktami widzenia, czujnikami, zachowaniami hierarchicznymi i szczegółowymi etykietami zachowań, a tym samym poprawić wydajność rozpoznawania złożonych aktywności w przestrzeniach mieszkalnych.
Technologia ta jest efektem badań przeprowadzonych 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 uzupełnianie danych stronniczych z szumem etykiet za pomocą skalowalnego probabilistycznego różniczkowania niejawnego
Z przyjemnością informujemy również, że opracowaliśmy nową technologię uczenia maszynowego, która automatycznie wykonuje optymalną augmentację danych zgodnie z rozkładem danych treningowych. Tę technologię można stosować w sytuacjach rzeczywistych, w których dostępnych danych jest bardzo mało. Istnieje wiele przypadków w naszych głównych obszarach biznesowych, 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 zostać dostosowane automatycznie. Dlatego można oczekiwać, że zakres zastosowań technologii AI może zostać szerzej rozszerzony. W przyszłości, poprzez dalsze przyspieszenie badań i rozwoju tej technologii, będziemy pracować nad realizacją technologii AI, która może być stosowana w rzeczywistych środowiskach, takich jak znane urządzenia i systemy. Ta technologia jest wynikiem badań przeprowadzonych przez Digital AI Technology Center, Technology Division, AI Laboratory of Panasonic R&D Company of America.
Rysunek 2: AutoDO rozwiązuje problem rozszerzania danych (dylemat współdzielonej polityki DA). Rozkład rozszerzonych danych treningowych (przerywana niebieska linia) może nie odpowiadać danym testowym (ciągła czerwona linia) w przestrzeni ukrytej:
„2” jest niedorozszerzone, podczas gdy „5” jest przerozszerzone. W rezultacie wcześniejsze metody nie mogą dopasować się do rozkładu testowego, a decyzja nauczonego 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
