Panasonic utvikler to avanserte AI-teknologier,
Godkjent til CVPR2021,
verdens ledende internasjonale konferanse om AI-teknologi
[1] Hjem Handlingsgenom: Forståelse av kontrasterende komposisjonshandling
Vi har gleden av å kunngjøre at vi har utviklet et nytt datasett, «Home Action Genome», som samler inn menneskers daglige aktiviteter i hjemmene deres ved hjelp av flere typer sensorer, inkludert kameraer, mikrofoner og termiske sensorer. Vi har konstruert og utgitt verdens største multimodale datasett for boarealer, mens de fleste datasettene for boarealer 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 boarealer.
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 ulike synspunkter, sensorer, hierarkisk atferd og detaljerte atferdsetiketter, og dermed forbedre gjenkjenningsytelsen 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: Samarbeidende forståelse av komposisjonshandling (CCAU). Ved å samarbeide om å trene alle modaliteter sammen, ser vi forbedret ytelse.
Vi bruker trening med både videonivå- og atomære handlingsetiketter, slik at både videoene og atomære handlinger kan dra nytte av de komposisjonsmessige interaksjonene mellom de to.
[2] AutoDO: Robust AutoAugment for skjeve data med etikettstøy via skalerbar probabilistisk implisitt differensiering
Vi er også glade for å kunne kunngjøre at vi har utviklet en ny maskinlæringsteknologi som automatisk utfører optimal dataforsterkning i henhold til fordelingen av treningsdata. Denne teknologien kan brukes i virkelige situasjoner, der tilgjengelige data er svært små. Det er mange tilfeller innen våre hovedforretningsområder der det er vanskelig å anvende AI-teknologi på grunn av begrensningene i tilgjengelige data. Ved å bruke denne teknologien kan finjusteringsprosessen for dataforsterkningparametere elimineres, og parameterne kan justeres automatisk. Derfor kan det forventes at bruksområdet for AI-teknologi kan spres mer. I fremtiden, ved å ytterligere akselerere forskningen og utviklingen av denne teknologien, 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 R&D Company of America.
Figur 2: AutoDO løser problemet med datautvidelse (DA-dilemmaet med delt policy). Fordelingen av utvidede togdata (stiplet blå) samsvarer kanskje ikke med testdataene (helrød) i det latente rommet:
«2» er underforsterket, mens «5» er overforsterket. Som et resultat kan ikke tidligere metoder samsvare med testfordelingen, og avgjørelsen til den lærte klassifikatoren f(θ) er unøyaktig.
Detaljene om disse teknologiene vil bli presentert på CVPR2021 (som avholdes fra 19. juni 2017).
Meldingen ovenfor kommer fra Panasonics offisielle nettside!
Publisert: 03.06.2021
