Panasonic kehittää kaksi edistynyttä tekoälyteknologiaa,
Hyväksytty CVPR2021:een,
maailman johtava kansainvälinen tekoälyteknologiakonferenssi
[1] Etusivu Toimintagenomi: Kontrastiivinen sommittelutoiminnan ymmärtäminen
Meillä on ilo ilmoittaa, että olemme kehittäneet uuden "Home Action Genome" -aineiston, joka kerää tietoja ihmisten päivittäisistä toimista kodeissaan useiden erityyppisten sensoreiden, kuten kameroiden, mikrofonien ja lämpötila-antureiden, avulla. Olemme rakentaneet ja julkaisseet maailman suurimman multimodaalisen asuintiloja koskevan aineiston, vaikka useimmat asuintiloja koskevat aineistot ovat olleet pienimuotoisia. Soveltamalla tätä aineistoa tekoälytutkijat voivat käyttää sitä koneoppimisen ja tekoälytutkimuksen koulutusdatana ihmisten tukemiseksi asuintiloissa.
Edellä mainittujen lisäksi olemme kehittäneet yhteistyöhön perustuvan oppimisteknologian hierarkkisen toiminnan tunnistamiseen multimodaalisissa ja useissa näkökulmissa. Soveltamalla tätä teknologiaa voimme oppia yhdenmukaisia piirteitä eri näkökulmien, sensoreiden, hierarkkisten käyttäytymismallien ja yksityiskohtaisten käyttäytymistunnisteiden välillä ja siten parantaa monimutkaisten toimintojen tunnistuskykyä asuintiloissa.
Tämä teknologia on Stanfordin yliopiston Digital AI Technology Centerin, teknologiaosaston ja Stanford Vision and Learning Labin yhteistyössä tekemän tutkimuksen tulos.
Kuva 1: Yhteistyöhön perustuva sommittelutoiminnan ymmärtäminen (CCAU). Kaikkien modaliteettien yhteistyöhön perustuva harjoittelu mahdollistaa paremman suorituskyvyn.
Hyödynnämme koulutusta sekä videotason että atomitason toimintotunnisteilla, jotta sekä videot että atomitoiminnot voivat hyötyä niiden välisistä sommittelullisista vuorovaikutuksista.
[2] AutoDO: Vankka automaattinen lisäys vinoutuneelle datalle, jossa on kohinaa, skaalautuvan probabilistisen implisiittisen derivoinnin avulla
Meillä on myös ilo ilmoittaa, että olemme kehittäneet uuden koneoppimisteknologian, joka suorittaa automaattisesti optimaalisen datan lisäyksen harjoitusdatan jakauman mukaan. Tätä teknologiaa voidaan soveltaa todellisissa tilanteissa, joissa saatavilla oleva data on hyvin pieni. Pääliiketoiminta-alueillamme on monia tapauksia, joissa tekoälyteknologian soveltaminen on vaikeaa saatavilla olevan datan rajoitusten vuoksi. Tätä teknologiaa käyttämällä datan lisäysparametrien säätöprosessi voidaan poistaa ja parametreja voidaan säätää automaattisesti. Siksi voidaan odottaa, että tekoälyteknologian sovellusalue laajenee. Tulevaisuudessa, nopeuttamalla tämän teknologian tutkimusta ja kehitystä entisestään, pyrimme toteuttamaan tekoälyteknologiaa, jota voidaan käyttää todellisissa ympäristöissä, kuten tutuissa laitteissa ja järjestelmissä. Tämä teknologia on Panasonic R&D Company of American tekoälylaboratorion digitaalisen tekoälyteknologiakeskuksen teknologiaosaston tekemän tutkimuksen tulos.
Kuva 2: AutoDO ratkaisee datan lisäyksen ongelman (jaetun käytännön DA-dilemma). Lisätyn junadatan (katkoviiva sininen) jakauma ei välttämättä vastaa testidataa (kiinteä punainen) latenttitilassa:
"2" on aliarvostettu, kun taas "5" on yliarvostettu. Tämän seurauksena aiemmat menetelmät eivät pysty täsmäämään testijakaumaa ja opitun luokittelijan f(θ) päätös on epätarkka.
Näiden teknologioiden yksityiskohdat esitellään CVPR2021-tapahtumassa (joka järjestetään 19. kesäkuuta 2017 alkaen).
Yllä oleva viesti on peräisin Panasonicin virallisilta verkkosivuilta!
Julkaisun aika: 3. kesäkuuta 2021
