Η Panasonic αναπτύσσει δύο προηγμένες τεχνολογίες τεχνητής νοημοσύνης,
Έγινε δεκτός στο CVPR2021,
Το κορυφαίο διεθνές συνέδριο τεχνολογίας τεχνητής νοημοσύνης στον κόσμο
[1] Γονιδιώμα Αρχικής Δράσης: Κατανόηση της Συγκριτικής Σύνθεσης Δράσης
Με χαρά ανακοινώνουμε ότι αναπτύξαμε ένα νέο σύνολο δεδομένων με τίτλο "Home Action Genome", το οποίο συλλέγει τις καθημερινές δραστηριότητες των ανθρώπων στα σπίτια τους χρησιμοποιώντας διάφορους τύπους αισθητήρων, όπως κάμερες, μικρόφωνα και θερμικούς αισθητήρες. Έχουμε κατασκευάσει και κυκλοφορήσει το μεγαλύτερο πολυτροπικό σύνολο δεδομένων στον κόσμο για χώρους διαβίωσης, ενώ τα περισσότερα σύνολα δεδομένων για χώρους διαβίωσης ήταν μικρής κλίμακας. Εφαρμόζοντας αυτό το σύνολο δεδομένων, οι ερευνητές Τεχνητής Νοημοσύνης μπορούν να το χρησιμοποιήσουν ως δεδομένα εκπαίδευσης για μηχανική μάθηση και έρευνα Τεχνητής Νοημοσύνης για την υποστήριξη των ανθρώπων στον χώρο διαβίωσης.
Εκτός από τα παραπάνω, έχουμε αναπτύξει μια τεχνολογία συνεργατικής μάθησης για την ιεραρχική αναγνώριση δραστηριοτήτων σε πολυτροπικές και πολλαπλές οπτικές γωνίες. Εφαρμόζοντας αυτήν την τεχνολογία, μπορούμε να μάθουμε συνεπή χαρακτηριστικά μεταξύ διαφορετικών οπτικών γωνιών, αισθητήρων, ιεραρχικών συμπεριφορών και λεπτομερών ετικετών συμπεριφοράς, και έτσι να βελτιώσουμε την απόδοση αναγνώρισης σύνθετων δραστηριοτήτων σε χώρους διαβίωσης.
Αυτή η τεχνολογία είναι αποτέλεσμα έρευνας που διεξήχθη σε συνεργασία μεταξύ του Κέντρου Τεχνολογίας Ψηφιακής Τεχνητής Νοημοσύνης, του Τμήματος Τεχνολογίας, και του Εργαστηρίου Όρασης και Μάθησης Stanford στο Πανεπιστήμιο Stanford.
Σχήμα 1: Συνεργατική Κατανόηση Σύνθεσης Δράσης (CCAU) Η συνεργατική εκπαίδευση όλων των μεθόδων μαζί μας επιτρέπει να δούμε βελτιωμένη απόδοση.
Χρησιμοποιούμε εκπαίδευση χρησιμοποιώντας ετικέτες δράσης σε επίπεδο βίντεο και ατομικές ετικέτες, ώστε να επιτρέψουμε τόσο στα βίντεο όσο και στις ατομικές ενέργειες να επωφεληθούν από τις συνθετικές αλληλεπιδράσεις μεταξύ των δύο.
[2] AutoDO: Ισχυρό AutoAugment για μεροληπτικά δεδομένα με θόρυβο ετικέτας μέσω κλιμακούμενης πιθανοτικής έμμεσης διαφοροποίησης
Είμαστε επίσης στην ευχάριστη θέση να ανακοινώσουμε ότι έχουμε αναπτύξει μια νέα τεχνολογία μηχανικής μάθησης που εκτελεί αυτόματα βέλτιστη αύξηση δεδομένων σύμφωνα με την κατανομή των δεδομένων εκπαίδευσης. Αυτή η τεχνολογία μπορεί να εφαρμοστεί σε πραγματικές καταστάσεις, όπου τα διαθέσιμα δεδομένα είναι πολύ μικρά. Υπάρχουν πολλές περιπτώσεις στους κύριους επιχειρηματικούς μας τομείς, όπου είναι δύσκολο να εφαρμοστεί η τεχνολογία Τεχνητής Νοημοσύνης λόγω των περιορισμών των διαθέσιμων δεδομένων. Εφαρμόζοντας αυτήν την τεχνολογία, η διαδικασία ρύθμισης των παραμέτρων αύξησης δεδομένων μπορεί να εξαλειφθεί και οι παράμετροι μπορούν να προσαρμοστούν αυτόματα. Επομένως, αναμένεται ότι το εύρος εφαρμογής της τεχνολογίας Τεχνητής Νοημοσύνης μπορεί να εξαπλωθεί ευρύτερα. Στο μέλλον, επιταχύνοντας περαιτέρω την έρευνα και ανάπτυξη αυτής της τεχνολογίας, θα εργαστούμε για την υλοποίηση τεχνολογίας Τεχνητής Νοημοσύνης που μπορεί να χρησιμοποιηθεί σε πραγματικά περιβάλλοντα, όπως οικείες συσκευές και συστήματα. Αυτή η τεχνολογία είναι αποτέλεσμα έρευνας που διεξήχθη από το Κέντρο Τεχνολογίας Ψηφιακής Τεχνητής Νοημοσύνης, Τμήμα Τεχνολογίας, Εργαστήριο Τεχνητής Νοημοσύνης της Panasonic R&D Company of America.
Σχήμα 2: Το AutoDO λύνει το πρόβλημα της αύξησης δεδομένων (δίλημμα DA κοινής πολιτικής). Η κατανομή των δεδομένων επαυξημένης αμαξοστοιχίας (διακεκομμένη μπλε) ενδέχεται να μην ταιριάζει με τα δεδομένα δοκιμής (συμπαγές κόκκινο) στον λανθάνοντα χώρο:
Το "2" είναι υπο-αυξημένο, ενώ το "5" είναι υπερ-αυξημένο. Ως αποτέλεσμα, οι προηγούμενες μέθοδοι δεν μπορούν να αντιστοιχίσουν την κατανομή δοκιμών και η απόφαση του μαθησιακού ταξινομητή f(θ) είναι ανακριβής.
Οι λεπτομέρειες αυτών των τεχνολογιών θα παρουσιαστούν στο CVPR2021 (που θα πραγματοποιηθεί από τις 19 Ιουνίου 2017).
Το παραπάνω μήνυμα προέρχεται από την επίσημη ιστοσελίδα της Panasonic!
Ώρα δημοσίευσης: 03 Ιουνίου 2021
