Panasonic разработва две усъвършенствани технологии с изкуствен интелект,
Приет в CVPR2021,
водещата световна международна конференция за технологии за изкуствен интелект
[1] Начало Геном на действието: Разбиране на контрастивното композиционно действие
С удоволствие обявяваме, че разработихме нов набор от данни „Home Action Genome“, който събира данни за ежедневните дейности на хората в домовете им, използвайки няколко вида сензори, включително камери, микрофони и термични сензори. Създадохме и публикувахме най-големия в света мултимодален набор от данни за жилищни пространства, докато повечето набори от данни за жилищни пространства са били с малък мащаб. Чрез прилагането на този набор от данни, изследователите на изкуствен интелект могат да го използват като данни за обучение за машинно обучение и изследвания на изкуствен интелект, за да подкрепят хората в жилищни пространства.
В допълнение към гореизложеното, ние разработихме технология за кооперативно обучение за йерархично разпознаване на дейности в мултимодални и множество гледни точки. Чрез прилагането на тази технология можем да научим съгласувани характеристики между различни гледни точки, сензори, йерархични поведения и подробни етикети на поведението и по този начин да подобрим ефективността на разпознаване на сложни дейности в жилищни пространства.
Тази технология е резултат от изследване, проведено в сътрудничество между Центъра за цифрови технологии за изкуствен интелект, Технологичния отдел и Лабораторията за зрение и обучение към Станфордския университет.
Фигура 1: Кооперативно разбиране на композиционните действия (CCAU) Кооперативното обучение на всички модалности заедно ни позволява да видим подобрена производителност.
Използваме обучение, използвайки както етикети на видео ниво, така и атомни действия, за да позволим както на видеоклиповете, така и на атомните действия да се възползват от композиционните взаимодействия между двете.
[2] AutoDO: Надеждно автоматично увеличаване на данни с пристрастен шум от етикети чрез мащабируема вероятностна имплицитна диференциация
Също така с удоволствие обявяваме, че разработихме нова технология за машинно обучение, която автоматично извършва оптимално допълване на данни според разпределението на обучителните данни. Тази технология може да се приложи в реални ситуации, където наличните данни са много малко. В основните ни бизнес области има много случаи, където е трудно да се приложи технология с изкуствен интелект поради ограниченията на наличните данни. Чрез прилагането на тази технология може да се елиминира процесът на настройване на параметрите за допълване на данни и параметрите могат да се регулират автоматично. Следователно може да се очаква, че обхватът на приложение на технологията с изкуствен интелект може да се разшири по-широко. В бъдеще, чрез по-нататъшно ускоряване на изследванията и разработките на тази технология, ще работим за реализиране на технология с изкуствен интелект, която може да се използва в реални среди, като например познати устройства и системи. Тази технология е резултат от изследвания, проведени от Центъра за цифрови технологии за изкуствен интелект, Технологичен отдел, Лабораторията за изкуствен интелект на Panasonic R&D Company of America.
Фигура 2: AutoDO решава проблема с увеличаването на данните (дилема на DA със споделена политика). Разпределението на увеличените данни за влака (пунктирано синьо) може да не съвпада с тестовите данни (плътно червено) в латентното пространство:
„2“ е недостатъчно увеличено, докато „5“ е прекалено увеличено. В резултат на това, предишните методи не могат да съвпаднат с тестовото разпределение и решението на обучения класификатор f(θ) е неточно.
Подробности за тези технологии ще бъдат представени на CVPR2021 (което ще се проведе от 19 юни 2017 г.).
Горното съобщение е от официалния уебсайт на Panasonic!
Време на публикуване: 03 юни 2021 г.
