Panasonic udvikler to avancerede AI-teknologier,
Optaget på CVPR2021,
Verdens førende internationale AI-teknologikonference
[1] Hjem Handlingsgenom: Forståelse af kontrasterende kompositionel handling
Vi er glade for at kunne meddele, at vi har udviklet et nyt datasæt "Home Action Genome", der indsamler menneskers daglige aktiviteter i deres hjem ved hjælp af flere typer sensorer, herunder kameraer, mikrofoner og termiske sensorer. Vi har konstrueret og udgivet verdens største multimodale datasæt for opholdsrum, mens de fleste datasæt for opholdsrum har været små i skala. Ved at anvende dette datasæt kan AI-forskere bruge det som træningsdata til maskinlæring og AI-forskning til at støtte mennesker i boligområder.
Ud over ovenstående har vi udviklet en kooperativ læringsteknologi til hierarkisk aktivitetsgenkendelse i multimodale og flere synspunkter. Ved at anvende denne teknologi kan vi lære konsistente funktioner mellem forskellige synspunkter, sensorer, hierarkisk adfærd og detaljerede adfærdsmærkninger og dermed forbedre genkendelsesevnen af komplekse aktiviteter i opholdsrum.
Denne teknologi er resultatet af forskning udført i samarbejde mellem Digital AI Technology Center, Technology Division og Stanford Vision and Learning Lab på Stanford University.
Figur 1: Kooperativ forståelse af kompositionel handling (CCAU). Samarbejdende træning af alle modaliteter sammen giver os mulighed for at se forbedret præstation.
Vi bruger træning med både videoniveau- og atomære handlingsmærkater for at give både videoer og atomære handlinger mulighed for at drage fordel af de kompositionelle interaktioner mellem de to.
[2] AutoDO: Robust AutoAugment til biased data med labelstøj via skalerbar probabilistisk implicit differentiering
Vi er også glade for at kunne meddele, at vi har udviklet en ny maskinlæringsteknologi, der automatisk udfører optimal dataforstærkning i henhold til fordelingen af træningsdata. Denne teknologi kan anvendes i virkelige situationer, hvor de tilgængelige data er meget små. Der er mange tilfælde inden for vores primære forretningsområder, hvor det er vanskeligt at anvende AI-teknologi på grund af begrænsningerne i de tilgængelige data. Ved at anvende denne teknologi kan justeringsprocessen for dataforstærkningsparametre elimineres, og parametrene kan justeres automatisk. Derfor kan det forventes, at anvendelsesområdet for AI-teknologi kan spredes mere bredt. I fremtiden vil vi, ved yderligere at accelerere forskningen og udviklingen af denne teknologi, arbejde på at realisere AI-teknologi, der kan bruges i virkelige miljøer såsom velkendte enheder og systemer. Denne teknologi er resultatet af forskning udført af Digital AI Technology Center, Technology Division, AI Laboratory of Panasonic R&D Company of America.
Figur 2: AutoDO løser problemet med dataforøgelse (dilemmaet med delt politik for DA). Fordelingen af forøgede togdata (stiplet blå) stemmer muligvis ikke overens med testdataene (helt rød) i det latente rum:
"2" er underforstærket, mens "5" er overforstærket. Som følge heraf kan tidligere metoder ikke matche testfordelingen, og beslutningen fra den lærte klassifikator f(θ) er unøjagtig.
Detaljerne om disse teknologier vil blive præsenteret på CVPR2021 (afholdes fra den 19. juni 2017).
Ovenstående besked kommer fra Panasonics officielle hjemmeside!
Opslagstidspunkt: 3. juni 2021
