Panasonic razvija dvije napredne AI tehnologije

Panasonic razvija dvije napredne AI tehnologije,
Prihvaćeno na CVPR2021,
vodeća svjetska međunarodna konferencija o tehnologiji umjetne inteligencije

[1] Home Action Genome: Contrastive Compositional Action Understanding

Zadovoljstvo nam je objaviti da smo razvili novi skup podataka "Home Action Genome" koji prikuplja dnevne aktivnosti ljudi u njihovim domovima koristeći nekoliko tipova senzora, uključujući kamere, mikrofone i termalne senzore.Napravili smo i objavili najveći multimodalni skup podataka za stambene prostore na svijetu, dok je većina skupova podataka za stambene prostore bila malog obima.Primjenom ovog skupa podataka, istraživači umjetne inteligencije mogu ga koristiti kao podatke za obuku za strojno učenje i istraživanje umjetne inteligencije za podršku ljudima u životnom prostoru.

Pored navedenog, razvili smo tehnologiju kooperativnog učenja za hijerarhijsko prepoznavanje aktivnosti u multimodalnim i višestrukim gledištima.Primjenom ove tehnologije možemo naučiti konzistentne karakteristike između različitih gledišta, senzora, hijerarhijskih ponašanja i detaljnih oznaka ponašanja, i na taj način poboljšati performanse prepoznavanja složenih aktivnosti u životnim prostorima.
Ova tehnologija je rezultat istraživanja sprovedenog u saradnji između Tehnološkog centra za digitalnu veštačku inteligenciju, Odeljenja za tehnologiju, i Stanford Laboratorije za viziju i učenje na Univerzitetu Stanford.

Slika 1: Kooperativno razumijevanje kompozicionih radnji (CCAU) Zajednička obuka svih modaliteta omogućava nam da vidimo poboljšane performanse.
Koristimo obuku koristeći oznake na nivou videa i atomske akcije kako bismo omogućili i video zapisima i atomskim akcijama da imaju koristi od kompozicionih interakcija između njih.

[2] AutoDO: Robustan AutoAugment za pristrasne podatke sa šumom etikete putem skalabilne vjerovatnoće implicitne diferencijacije

Također sa zadovoljstvom možemo objaviti da smo razvili novu tehnologiju mašinskog učenja koja automatski vrši optimalno povećanje podataka prema distribuciji podataka o obuci.Ova tehnologija se može primijeniti na situacije u stvarnom svijetu, gdje su dostupni podaci vrlo mali.Mnogo je slučajeva u našim glavnim poslovnim područjima gdje je teško primijeniti AI tehnologiju zbog ograničenja dostupnih podataka.Primjenom ove tehnologije može se eliminirati proces podešavanja parametara povećanja podataka, a parametri se mogu podešavati automatski.Stoga se može očekivati ​​da se opseg primjene AI tehnologije može šire proširiti.U budućnosti, daljim ubrzavanjem istraživanja i razvoja ove tehnologije, radićemo na realizaciji AI tehnologije koja se može koristiti u realnim okruženjima kao što su poznati uređaji i sistemi.Ova tehnologija je rezultat istraživanja koje je sproveo Digital AI Technology Center, Technology Division, AI Laboratory of Panasonic R&D Company of America.

Slika 2: AutoDO rješava problem povećanja podataka (Dilema Shared-policy DA). Distribucija proširenih podataka o vlaku (isprekidana plava) možda neće odgovarati testnim podacima (puna crvena) u latentnom prostoru:
"2" je premalo uvećano, dok je "5" preuveličano.Kao rezultat toga, prethodne metode ne mogu odgovarati distribuciji testa i odluka naučenog klasifikatora f(θ) je netačna.

 

Detalji ovih tehnologija biće predstavljeni na CVPR2021 (koji će se održati od 19. juna 2017.).

Gornja poruka dolazi sa Panasonic službene web stranice!


Vrijeme objave: Jun-03-2021