Panasonic vyvíja dve pokročilé technológie umelej inteligencie,
Prijatý/á na CVPR2021,
popredná svetová medzinárodná konferencia o technológiách umelej inteligencie
[1] Domov Akčný genóm: Pochopenie kontrastívneho kompozičného pôsobenia
S potešením oznamujeme, že sme vyvinuli nový súbor údajov „Home Action Genome“, ktorý zhromažďuje údaje o denných aktivitách ľudí v ich domovoch pomocou niekoľkých typov senzorov vrátane kamier, mikrofónov a teplotných senzorov. Vytvorili a vydali sme najväčší multimodálny súbor údajov na svete pre obytné priestory, zatiaľ čo väčšina súborov údajov pre obytné priestory bola malého rozsahu. Aplikáciou tohto súboru údajov ho môžu výskumníci v oblasti umelej inteligencie použiť ako trénovacie dáta pre strojové učenie a výskum umelej inteligencie na podporu ľudí v obytných priestoroch.
Okrem vyššie uvedeného sme vyvinuli technológiu kooperatívneho učenia pre hierarchické rozpoznávanie aktivít v multimodálnych a viacerých uhloch pohľadu. Aplikáciou tejto technológie sa môžeme učiť konzistentné vlastnosti medzi rôznymi uhlami pohľadu, senzormi, hierarchickým správaním a podrobnými označeniami správania, a tým zlepšiť výkon rozpoznávania zložitých aktivít v obytných priestoroch.
Táto technológia je výsledkom výskumu, ktorý sa uskutočnil v spolupráci medzi Centrom digitálnych technológií umelej inteligencie, Technologickou divíziou a Stanfordským laboratóriom pre víziu a vzdelávanie na Stanfordskej univerzite.
Obrázok 1: Kooperatívne porozumenie kompozičnej akcie (CCAU) Kooperatívne trénovanie všetkých modalít spoločne nám umožňuje vidieť lepší výkon.
Trénovanie využívame s použitím označení na úrovni videa aj atomických akcií, aby videá aj atomické akcie mohli profitovať z kompozičných interakcií medzi nimi.
[2] AutoDO: Robustné automatické rozšírenie pre skreslené dáta s šumom v návestiach pomocou škálovateľnej pravdepodobnostnej implicitnej diferenciácie
S potešením oznamujeme, že sme vyvinuli novú technológiu strojového učenia, ktorá automaticky vykonáva optimálne rozširovanie dát podľa distribúcie tréningových dát. Túto technológiu je možné aplikovať v reálnych situáciách, kde je dostupných dát veľmi málo. V našich hlavných obchodných oblastiach existuje veľa prípadov, kde je ťažké aplikovať technológiu umelej inteligencie kvôli obmedzeniam dostupných dát. Aplikáciou tejto technológie je možné eliminovať proces ladenia parametrov rozširovania dát a parametre je možné automaticky upravovať. Preto sa dá očakávať, že rozsah použitia technológie umelej inteligencie sa môže rozšíriť ešte viac. V budúcnosti budeme ďalším zrýchlením výskumu a vývoja tejto technológie pracovať na realizácii technológie umelej inteligencie, ktorú je možné použiť v reálnych prostrediach, ako sú známe zariadenia a systémy. Táto technológia je výsledkom výskumu, ktorý vykonalo Centrum digitálnych technológií umelej inteligencie, Technologická divízia, Laboratórium umelej inteligencie spoločnosti Panasonic R&D Company of America.
Obrázok 2: AutoDO rieši problém rozšírenia dát (dilema DA so zdieľanou politikou). Distribúcia rozšírených vlakových dát (prerušovaná modrá) sa nemusí zhodovať s testovacími dátami (plná červená) v latentnom priestore:
„2“ je nedostatočne rozšírené, zatiaľ čo „5“ je nadmerne rozšírené. V dôsledku toho predchádzajúce metódy nedokážu zodpovedať testovacej distribúcii a rozhodnutie naučeného klasifikátora f(θ) je nepresné.
Podrobnosti o týchto technológiách budú prezentované na CVPR2021 (ktorý sa bude konať od 19. júna 2017).
Vyššie uvedená správa pochádza z oficiálnej webovej stránky spoločnosti Panasonic!
Čas uverejnenia: 3. júna 2021
