Panasonic utvikler to avanserte AI-teknologier,
Godtatt til CVPR2021,
verdens ledende internasjonale AI-teknologikonferanse
[1] Home Action Genome: Contrastive Compositional Action Understanding
Vi er glade for å kunngjøre at vi har utviklet et nytt datasett "Home Action Genome" som samler menneskets daglige aktiviteter i deres hjem ved hjelp av flere typer sensorer, inkludert kameraer, mikrofoner og termiske sensorer. Vi har konstruert og gitt ut verdens største multimodale datasett for oppholdsrom, mens de fleste datasett for oppholdsrom har vært små i skala. Ved å bruke dette datasettet kan AI-forskere bruke det som treningsdata for maskinlæring og AI-forskning for å støtte mennesker i boareal.
I tillegg til ovennevnte har vi utviklet en samarbeidslæringsteknologi for hierarkisk aktivitetsgjenkjenning i multimodale og flere synsvinkler. Ved å bruke denne teknologien kan vi lære konsistente funksjoner mellom ulike synspunkter, sensorer, hierarkisk atferd og detaljerte atferdsetiketter, og dermed forbedre gjenkjennelsesytelsen til komplekse aktiviteter i oppholdsrom.
Denne teknologien er et resultat av forskning utført i samarbeid mellom Digital AI Technology Center, Technology Division og Stanford Vision and Learning Lab ved Stanford University.
Figur 1: Cooperative Compositional Action Understanding (CCAU) Samarbeidstrening av alle modaliteter lar oss se forbedret ytelse.
Vi bruker trening ved å bruke både videonivå og atomhandlingsetiketter for å la både videoene og atomhandlingene dra nytte av komposisjonsinteraksjonene mellom de to.
[2] AutoDO: Robust autoaugment for skjev data med etikettstøy via skalerbar sannsynlighetsimplisitt differensiering
Vi er også glade for å kunngjøre at vi har utviklet en ny maskinlæringsteknologi som automatisk utfører optimal dataforsterkning i henhold til distribusjonen av treningsdata. Denne teknologien kan brukes på situasjoner i den virkelige verden, der tilgjengelige data er svært små. Det er mange tilfeller innenfor våre hovedforretningsområder, hvor det er vanskelig å bruke AI-teknologi på grunn av begrensningene i tilgjengelige data. Ved å bruke denne teknologien kan innstillingsprosessen for dataforsterkningsparametere elimineres, og parametrene kan justeres automatisk. Derfor kan det forventes at bruksområdet for AI-teknologi kan spres bredere. I fremtiden, ved å akselerere forskningen og utviklingen av denne teknologien ytterligere, vil vi jobbe for å realisere AI-teknologi som kan brukes i virkelige miljøer som kjente enheter og systemer. Denne teknologien er et resultat av forskning utført av Digital AI Technology Center, Technology Division, AI Laboratory of Panasonic R&D Company of America.
Figur 2: AutoDO løser problemet med dataforsterkning (Shared-policy DA-dilemma). Det kan hende at fordelingen av utvidede togdata (stiplet blå) ikke samsvarer med testdataene (heltrøde) i det latente rommet:
"2" er underforsterket, mens "5" er for mye. Som et resultat kan tidligere metoder ikke matche testdistribusjonen og avgjørelsen til den lærte klassifikatoren f(θ) er unøyaktig.
Detaljene om disse teknologiene vil bli presentert på CVPR2021 (holdes fra 19. juni 2017).
Meldingen ovenfor kommer fra Panasonics offisielle nettsted!
Innleggstid: Jun-03-2021
