Panasonic udvikler to avancerede AI -teknologier,
Accepteret til CVPR2021,
verdens førende internationale AI -teknologikonference
[1] Hjemmehandling Genom: Kontrastiv kompositionsforståelse
Vi er glade for at kunne meddele, at vi har udviklet et nyt datasæt "Home Action Genome", der indsamler 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 boligarealer, mens de fleste datasæt til boligarealer 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 boligareal.
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 opførsel og detaljerede adfærdsmærker og dermed forbedre genkendelsesydelsen for komplekse aktiviteter i boligarealer.
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: Kooperativ kompositionskompositionsforståelse (CCAU) Kooperativt uddannelse af alle modaliteter sammen giver os mulighed for at se forbedret ydelse.
Vi bruger uddannelse ved hjælp af både videoniveau og atomiske action-etiketter til at tillade både videoer og atomhandlinger at drage fordel af kompositionsinteraktionerne mellem de to.
[2] Autodo: Robust autoaugment til partiske 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 dataforstørrelse 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 tilfælde i vores vigtigste forretningsområder, hvor det er vanskeligt at anvende AI -teknologi på grund af begrænsningerne i de tilgængelige data. Ved at anvende denne teknologi kan tuningprocessen med dataforstørrelsesparametre fjernes, og parametrene kan justeres automatisk. Derfor kan det forventes, at applikationsområdet for AI -teknologi kan spredes mere vidtgående. I fremtiden, ved yderligere at fremskynde forskningen og udviklingen af denne teknologi, vil vi arbejde for at realisere AI-teknologi, der kan bruges i miljøer i den virkelige verden såsom velkendte enheder og systemer. Denne teknologi er resultatet af forskning udført af Digital AI Technology Center, Technology Division, AI Laboratory of Panasonic F & U Company of America.
Figur 2: Autodo løser problemet med dataforøgelse (delt-policy DA-dilemma). Distributionen af forstærkede togdata (stiplet blå) matcher muligvis ikke testdataene (fast rød) i det latente rum:
"2" er underforstærket, mens "5" er overaugmenteret. Som et resultat 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 (der skal afholdes fra 19. juni 2017).
Ovenfor meddelelsen er kommet fra Panasonic Official websted!
Posttid: Jun-03-2021
