Panasonic ontwikkelt twee geavanceerde AI-technologieën,
Geaccepteerd voor CVPR2021,
de toonaangevende internationale AI-technologieconferentie ter wereld
[1] Home Action Genome: contrastief compositorisch actie-inzicht
We zijn blij om aan te kondigen dat we een nieuwe dataset "Home Action Genome" hebben ontwikkeld die de dagelijkse activiteiten van mensen in hun huis verzamelt met behulp van verschillende soorten sensoren, waaronder camera's, microfoons en thermische sensoren. We hebben 's werelds grootste multimodale dataset voor woonruimtes samengesteld en vrijgegeven, terwijl de meeste datasets voor woonruimtes kleinschalig waren. Door deze dataset toe te passen kunnen AI-onderzoekers deze gebruiken als trainingsgegevens voor machine learning en AI-onderzoek om mensen in de woonruimte te ondersteunen.
Naast het bovenstaande hebben we een coöperatieve leertechnologie ontwikkeld voor hiërarchische activiteitsherkenning in multimodale en meerdere gezichtspunten. Door deze technologie toe te passen, kunnen we consistente kenmerken leren tussen verschillende gezichtspunten, sensoren, hiërarchisch gedrag en gedetailleerde gedragslabels, en zo de herkenningsprestaties van complexe activiteiten in woonruimtes verbeteren.
Deze technologie is het resultaat van onderzoek dat is uitgevoerd in samenwerking tussen het Digital AI Technology Center, Technology Division en het Stanford Vision and Learning Lab van Stanford University.
Figuur 1: Cooperative Compositional Action Understanding (CCAU) Door alle modaliteiten samen te trainen, kunnen we betere prestaties zien.
We gebruiken training met labels op videoniveau en atomaire acties, zodat zowel de video's als atomaire acties kunnen profiteren van de compositorische interacties tussen de twee.
[2] AutoDO: Robuuste AutoAugment voor vertekende gegevens met labelruis via schaalbare probabilistische impliciete differentiatie
We zijn ook blij om aan te kondigen dat we een nieuwe machine learning-technologie hebben ontwikkeld die automatisch een optimale gegevensvergroting uitvoert op basis van de distributie van trainingsgegevens. Deze technologie kan worden toegepast op situaties in de echte wereld, waar de beschikbare gegevens erg klein zijn. Er zijn veel gevallen in onze belangrijkste bedrijfsgebieden waar het moeilijk is om AI-technologie toe te passen vanwege de beperkingen van de beschikbare gegevens. Door deze technologie toe te passen, kan het afstemmingsproces van data-augmentatieparameters worden geëlimineerd en kunnen de parameters automatisch worden aangepast. Daarom kan worden verwacht dat het toepassingsbereik van AI-technologie breder kan worden verspreid. In de toekomst zullen we, door het onderzoek en de ontwikkeling van deze technologie verder te versnellen, werken aan de realisatie van AI-technologie die kan worden gebruikt in echte omgevingen, zoals bekende apparaten en systemen. Deze technologie is het resultaat van onderzoek uitgevoerd door het Digital AI Technology Center, Technology Division, AI Laboratory van Panasonic R&D Company of America.
Figuur 2: AutoDO lost het probleem van gegevensvergroting op (DA-dilemma met gedeeld beleid). De distributie van uitgebreide treingegevens (blauw onderbroken) komt mogelijk niet overeen met de testgegevens (ononderbroken rood) in de latente ruimte:
"2" is te weinig vergroot, terwijl "5" te veel is vergroot. Als gevolg hiervan kunnen eerdere methoden niet overeenkomen met de testverdeling en is de beslissing van de geleerde classificator f(θ) onnauwkeurig.
De details van deze technologieën zullen worden gepresenteerd op CVPR2021 (te houden vanaf 19 juni 2017).
Bovenstaand bericht is afkomstig van de officiële website van Panasonic!
Posttijd: 03-jun-2021
