A Panasonic két fejlett mesterséges intelligencia technológiát fejleszt
Elfogadva a CVPR2021-re,
a világ vezető nemzetközi mesterséges intelligencia technológiai konferenciája
[1] Kezdőlap Akciógenom: Kontrasztív kompozíciós akció megértése
Örömmel jelentjük be, hogy kifejlesztettünk egy új adathalmazt, a "Home Action Genome"-ot, amely az emberek otthonaikban végzett napi tevékenységeit gyűjti össze különféle érzékelők, köztük kamerák, mikrofonok és hőérzékelők segítségével. Létrehoztuk és közzétettük a világ legnagyobb multimodális adathalmazát az élőterekre vonatkozóan, miközben az élőterekre vonatkozó adathalmazok többsége kis léptékű volt. Ennek az adathalmaznak az alkalmazásával a mesterséges intelligencia kutatói gépi tanuláshoz és mesterséges intelligencia kutatáshoz használható tanulóadatként használhatják az embereket az élőtérben.
A fentieken túlmenően kifejlesztettünk egy kooperatív tanulási technológiát a hierarchikus tevékenységfelismeréshez multimodális és többszörös nézőpontokból. A technológia alkalmazásával megtanulhatjuk a különböző nézőpontok, érzékelők, hierarchikus viselkedések és részletes viselkedési címkék közötti konzisztens jellemzőket, és ezáltal javíthatjuk az összetett tevékenységek felismerési teljesítményét az életterekben.
Ez a technológia a Digitális MI Technológiai Központ Technológiai Osztálya és a Stanford Egyetem Stanford Vision and Learning Labja együttműködésében végzett kutatás eredménye.
1. ábra: Kooperatív kompozíciós cselekvés megértése (CCAU). Az összes modalitás együttes kooperatív képzése lehetővé teszi a teljesítmény javulását.
A betanítást videószintű és atomi műveleti címkékkel egyaránt alkalmazzuk, hogy mind a videók, mind az atomi műveletek profitálhassanak a kettő közötti kompozíciós interakciókból.
[2] AutoDO: Robusztus automatikus kiegészítés címkezajjal rendelkező torzított adatokhoz skálázható valószínűségi implicit differenciálással
Örömmel jelentjük be, hogy kifejlesztettünk egy új gépi tanulási technológiát, amely automatikusan optimális adatkiegészítést végez a betanítási adatok eloszlásának megfelelően. Ez a technológia valós helyzetekben alkalmazható, ahol a rendelkezésre álló adatok mennyisége nagyon kicsi. Fő üzleti területein számos olyan eset van, amikor a mesterséges intelligencia technológia alkalmazása nehézkes a rendelkezésre álló adatok korlátai miatt. A technológia alkalmazásával kiküszöbölhető az adatkiegészítési paraméterek hangolási folyamata, és a paraméterek automatikusan beállíthatók. Ezért várható, hogy a mesterséges intelligencia technológia alkalmazási köre szélesebb körben elterjedhet. A jövőben a technológia kutatásának és fejlesztésének további felgyorsításával azon fogunk dolgozni, hogy olyan mesterséges intelligencia technológiát valós környezetekben, például ismerős eszközökön és rendszereken is használhatóvá tegyük. Ez a technológia a Panasonic R&D Company of America Digitális MI Technológiai Központja, Technológiai Osztálya, MI Laboratóriuma által végzett kutatás eredménye.
2. ábra: Az AutoDO megoldja az adatkiegészítés problémáját (megosztott irányelvű DA dilemma). A kiegészített vonatadatok (szaggatott kék) eloszlása nem feltétlenül egyezik meg a tesztadatokkal (folytonos piros) a látens térben:
A „2” alulbővített, míg az „5” túlbővített. Ennek eredményeként a korábbi módszerek nem tudják egyeztetni a teszteloszlást, és a tanult f(θ) osztályozó döntése pontatlan.
Ezen technológiák részleteit a CVPR2021 konferencián mutatják be (amely 2017. június 19-én kerül megrendezésre).
A fenti üzenet a Panasonic hivatalos weboldaláról származik!
Közzététel ideje: 2021. június 3.
