Panasonic utvikler to avanserte AI -teknologier,
Akseptert til CVPR2021,
Verdens ledende internasjonale AI -teknologikonferanse
[1] Hjemmehandlingsgenom: Kontrastiv komposisjonshandlingsforståelse
Vi er glade for å kunngjøre at vi har utviklet et nytt datasett "Home Action Genome" som samler menneskets daglige aktiviteter i hjemmene sine 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 det ovennevnte, har vi utviklet en samarbeidende læringsteknologi for hierarkisk aktivitetsgjenkjenning i multimodale og flere synspunkter. Ved å bruke denne teknologien, kan vi lære konsistente funksjoner mellom forskjellige 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.
Figur1: Cooperative Compositional Action Understanding (CCAU) Cooperative Training All Modalities Together gjør oss å se forbedret ytelse.
Vi bruker trening ved å bruke både videomivå og atomhandlingsetiketter for å la både videoer og atomiske handlinger dra nytte av komposisjonsinteraksjonene mellom de to.
[2] Autodo: Robust autoaugment for partiske data med etikettstøy via skalerbar probabilistisk implisitt differensiering
Vi er også glade for å kunngjøre at vi har utviklet en ny maskinlæringsteknologi som automatisk utfører optimal dataforstørrelse i henhold til distribusjonen av treningsdata. Denne teknologien kan brukes på situasjoner i den virkelige verden, der de tilgjengelige dataene er veldig små. Det er mange tilfeller i våre viktigste forretningsområder, der det er vanskelig å anvende AI -teknologi på grunn av begrensningene i tilgjengelige data. Ved å anvende denne teknologien, kan innstillingsprosessen med parametere for dataforstørrelse elimineres, og parametrene kan justeres automatisk. Derfor kan det forventes at applikasjonsområdet for AI -teknologi kan spres bredere. I fremtiden, ved å fremskynde forskningen og utviklingen av denne teknologien ytterligere, vil vi arbeide 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 FoU Company of America.
Figur 2: Autodo løser problemet med dataforstørrelse (delt-policy DA-dilemma). Fordelingen av augmented togdata (stiplet blå) samsvarer kanskje ikke med testdataene (solid rød) i det latente rommet:
"2" er under-augmentert, mens "5" er overaugmentert. Som et resultat kan ikke tidligere metoder samsvare med testfordelingen, og beslutningen fra den lærde klassifisereren F (θ) er unøyaktig.
Detaljene om disse teknologiene vil bli presentert på CVPR2021 (som arrangeres fra 19. juni 2017).
Over meldingen er kommet fra Panasonic offisielle nettsted!
Post Time: Jun-03-2021
