Panasonic kehittää kahta edistynyttä AI -tekniikkaa,
Hyväksytty CVPR2021,
Maailman johtava kansainvälinen AI -teknologiakonferenssi
.
Meillä on ilo ilmoittaa, että olemme kehittäneet uuden tietojoukon "Home Action Genome", joka kerää ihmisen päivittäisiä aktiviteetteja koteihinsa käyttämällä monen tyyppisiä antureita, mukaan lukien kamerat, mikrofonit ja lämpöanturit. Olemme rakentaneet ja julkaissut maailman suurimman multimodaalisen tietoaineiston asuintiloille, kun taas suurin osa asuintilojen tietojoukkoista on ollut pieniä. Soveltamalla tätä tietojoukkoa AI -tutkijat voivat käyttää sitä koneoppimisen ja AI -tutkimuksen koulutustietoina asuintilassa olevien ihmisten tukemiseksi.
Edellä esitetyn lisäksi olemme kehittäneet yhteistyöhaluisen oppimistekniikan hierarkkisen toiminnan tunnistamiseksi multimodaalisissa ja monissa näkökulmissa. Soveltamalla tätä tekniikkaa voimme oppia johdonmukaisia piirteitä eri näkökulmien, anturien, hierarkkisten käyttäytymisten ja yksityiskohtaisten käyttäytymismerkkien välillä ja parantaa siten monimutkaisten toimintojen tunnistamista asuintilassa.
Tämä tekniikka on tulosta tutkimuksesta, joka tehdään yhteistyössä Digitaalisen AI -teknologiakeskuksen, teknologiaosaston ja Stanfordin vision ja oppimislaboratorion välillä Stanfordin yliopistossa.
Kuvio 1: Yhteistyökoostumuksen yhteisymmärrys (CCAU), joka kouluttaa yhteistyössä kaikkia tapoja, antaa meille mahdollisuuden nähdä parannetun suorituskyvyn.
Käytämme koulutusta käyttämällä sekä videotason että atomitoimintamerkkejä sekä videoiden että atomitoimintojen sallimiseksi hyötyäksemme näiden kahden välisistä koostumusvuorovaikutuksista.
[2] Autodo: Vahvaisia automaattisia tietoja merkinnän kohinan avulla skaalautuvan todennäköisyys implisiittisen erottelun avulla
Olemme myös ilo ilmoittaa, että olemme kehittäneet uuden koneoppimistekniikan, joka suorittaa automaattisesti optimaalisen tiedon lisäämisen harjoitustietojen jakelun mukaan. Tätä tekniikkaa voidaan soveltaa reaalimaailman tilanteisiin, joissa käytettävissä olevat tiedot ovat hyvin pieniä. Pääasiallisilla liiketoiminta -alueilla on monia tapauksia, joilla on vaikea soveltaa AI -tekniikkaa käytettävissä olevien tietojen rajoitusten vuoksi. Soveltamalla tätä tekniikkaa datan lisäysparametrien viritysprosessi voidaan eliminoida, ja parametrit voidaan säätää automaattisesti. Siksi voidaan odottaa, että AI -tekniikan sovellusalue voidaan levittää laajemmin. Tulevaisuudessa kiihdyttämällä edelleen tämän tekniikan tutkimusta ja kehittämistä pyrimme toteuttamaan AI-tekniikkaa, jota voidaan käyttää reaalimaailman ympäristöissä, kuten tutuissa laitteissa ja järjestelmissä. Tämä tekniikka on tulosta Digitaalisen AI -teknologiakeskuksen, teknologiaosaston, AI -laboratorion, Panasonic T & K -yrityksen AI -laboratorion tekemästä tutkimuksesta.
Kuva 2: Autodo ratkaisee datan lisäyksen ongelman (jaettu politiikan DA-dilemma). Lisättyjen junatietojen jakautuminen (katkoviiva sininen) ei välttämättä vastaa testitietoja (kiinteä punainen) piilevässä tilassa:
"2" on aliarvioitu, kun taas "5" on ylikuormitettu. Seurauksena on, että aikaisemmat menetelmät eivät pysty vastaamaan testijakaumaa ja opittujen luokittelijan F (θ) päätös on epätarkka.
Näiden tekniikoiden yksityiskohdat esitetään CVPR2021: ssä (pidetään 19. kesäkuuta 2017).
Yllä oleva viesti on tullut Panasonic -viralliselta verkkosivustolta!
Viestin aika: kesäkuu-03-2021
