Panasonic utvecklar två avancerade AI-tekniker,
Antagen till CVPR2021,
världens ledande internationella AI-teknikkonferens
[1] Hem Handlingsgenom: Förståelse av kontrasterande kompositionshandling
Vi är glada att kunna meddela att vi har utvecklat en ny datamängd "Home Action Genome" som samlar in människors dagliga aktiviteter i deras hem med hjälp av flera typer av sensorer, inklusive kameror, mikrofoner och värmesensorer. Vi har konstruerat och släppt världens största multimodala datamängd för bostadsutrymmen, medan de flesta datamängder för bostadsutrymmen har varit småskaliga. Genom att använda denna datamängd kan AI-forskare använda den som träningsdata för maskininlärning och AI-forskning för att stödja människor i bostadsutrymmen.
Utöver ovanstående har vi utvecklat en kooperativ inlärningsteknik för hierarkisk aktivitetsigenkänning i multimodala och flera synvinklar. Genom att tillämpa denna teknik kan vi lära oss enhetliga egenskaper mellan olika synvinklar, sensorer, hierarkiska beteenden och detaljerade beteendeetiketter, och därmed förbättra igenkänningsprestanda för komplexa aktiviteter i bostadsutrymmen.
Denna teknik är resultatet av forskning som bedrivits i samarbete mellan Digital AI Technology Center, Technology Division och Stanford Vision and Learning Lab vid Stanford University.
Figur 1: Kooperativ förståelse av kompositionell handling (CCAU) Genom att samarbeta och träna alla modaliteter tillsammans ser vi förbättrade prestanda.
Vi använder träning med både videonivå- och atomära handlingsetiketter för att både videor och atomära handlingar ska kunna dra nytta av de kompositionella interaktionerna mellan de två.
[2] AutoDO: Robust AutoAugment för snedvridna data med etikettbrus via skalbar probabilistisk implicit differentiering
Vi är också glada att kunna meddela att vi har utvecklat en ny maskininlärningsteknik som automatiskt utför optimal dataförstärkning enligt distributionen av träningsdata. Denna teknik kan tillämpas i verkliga situationer där tillgänglig data är mycket liten. Det finns många fall inom våra huvudsakliga affärsområden där det är svårt att tillämpa AI-teknik på grund av begränsningarna i tillgänglig data. Genom att tillämpa denna teknik kan justeringsprocessen för dataförstärkningsparametrar elimineras och parametrarna kan justeras automatiskt. Därför kan man förvänta sig att tillämpningsområdet för AI-tekniken kan spridas i större utsträckning. I framtiden, genom att ytterligare accelerera forskningen och utvecklingen av denna teknik, kommer vi att arbeta för att förverkliga AI-teknik som kan användas i verkliga miljöer som bekanta enheter och system. Denna teknik är resultatet av forskning som utförts av Digital AI Technology Center, Technology Division, AI Laboratory of Panasonic R&D Company of America.
Figur 2: AutoDO löser problemet med dataauktivering (DA-dilemmaet med delad policy). Distributionen av augmented train data (streckad blå) kanske inte matchar testdata (helröd) i det latenta utrymmet:
"2" är underförstärkt, medan "5" är överförstärkt. Som ett resultat kan tidigare metoder inte matcha testfördelningen och beslutet från den inlärda klassificeraren f(θ) är felaktigt.
Detaljerna kring dessa teknologier kommer att presenteras på CVPR2021 (som hålls från och med den 19 juni 2017).
Meddelandet ovan kommer från Panasonics officiella webbplats!
Publiceringstid: 3 juni 2021
