Panasonic udvikler to avancerede AI-teknologier,
Accepteret til CVPR2021,
verdens førende internationale AI-teknologikonference
[1] Home Action Genom: Kontrastiv kompositionel handlingsforståelse
Vi er glade for at kunne meddele, at vi har udviklet et nyt datasæt "Home Action Genome", der samler menneskets daglige aktiviteter i deres hjem ved hjælp af flere typer sensorer, herunder kameraer, mikrofoner og termiske sensorer. Vi har konstrueret og frigivet verdens største multimodale datasæt til beboelsesrum, mens de fleste datasæt til 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 levende rum.
Ud over ovenstående har vi udviklet en kooperativ læringsteknologi til hierarkisk aktivitetsgenkendelse i multimodale og flere synsvinkler. Ved at anvende denne teknologi kan vi lære konsistente funktioner mellem forskellige synspunkter, sensorer, hierarkisk adfærd og detaljerede adfærdsetiketter og dermed forbedre genkendelsesevnen af komplekse aktiviteter i levende rum.
Denne teknologi er resultatet af forskning udført i samarbejde mellem Digital AI Technology Center, Technology Division og Stanford Vision and Learning Lab ved Stanford University.
Figur 1: Cooperative Compositional Action Understanding (CCAU) Samarbejdstræning af alle modaliteter giver os mulighed for at se forbedret ydeevne.
Vi bruger træning ved at bruge både video-niveau og atomiske handlingsetiketter for at give både videoer og atomiske handlinger mulighed for at drage fordel af de kompositoriske interaktioner mellem de to.
[2] AutoDO: Robust autoaugment for biased data med etiketstøj via skalerbar sandsynlighed implicit differentiering
Vi er også glade for at kunne meddele, at vi har udviklet en ny maskinlæringsteknologi, der automatisk udfører optimal dataforøgelse i henhold til distributionen af træningsdata. Denne teknologi kan anvendes til situationer i den virkelige verden, hvor de tilgængelige data er meget små. Der er mange cases inden for vores hovedforretningsområder, hvor det er svært at anvende AI-teknologi på grund af begrænsningerne i de tilgængelige data. Ved at anvende denne teknologi kan tuning-processen for dataforøgelsesparametre elimineres, og parametrene kan justeres automatisk. Derfor kan det forventes, at anvendelsesområdet for AI-teknologi kan spredes bredere. 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 (Shared-policy DA-dilemma). Fordelingen af udvidede togdata (stiplet blå) matcher muligvis ikke testdataene (konstant rødt) i det latente rum:
"2" er underforstærket, mens "5" er overforøget. Som et resultat heraf kan tidligere metoder ikke matche testfordelingen, og beslutningen fra den indlærte 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!
Indlægstid: 03-jun-2021
