Panasonic utvecklar två avancerade AI-tekniker,
Godkänd för CVPR2021,
världens ledande internationella AI-teknikkonferens
[1] Hem Action Genome: Contrastive Compositional Action Understanding
Vi är glada att kunna meddela att vi har utvecklat en ny datauppsättning "Home Action Genome" som samlar in människors dagliga aktiviteter i deras hem med hjälp av flera typer av sensorer, inklusive kameror, mikrofoner och termiska sensorer. Vi har konstruerat och släppt världens största multimodala datauppsättning för bostadsutrymmen, medan de flesta datauppsättningar för bostadsutrymmen har varit små i skala. Genom att använda denna datauppsättning kan AI-forskare använda den som träningsdata för maskininlärning och AI-forskning för att stödja människor i livsrum.
Utöver ovanstående har vi utvecklat en kooperativ lärandeteknologi för hierarkisk aktivitetsigenkänning i multimodala och multipla synpunkter. Genom att tillämpa denna teknik kan vi lära oss konsekventa egenskaper mellan olika synpunkter, sensorer, hierarkiska beteenden och detaljerade beteendeetiketter, och på så sätt förbättra igenkänningsprestandan för komplexa aktiviteter i livsrum.
Denna teknik är resultatet av forskning som utförts i samarbete mellan Digital AI Technology Center, Technology Division och Stanford Vision and Learning Lab vid Stanford University.
Figur 1: Cooperative Compositional Action Understanding (CCAU) Genom att träna alla modaliteter tillsammans kan vi se förbättrad prestation.
Vi använder utbildning med etiketter på både videonivå och atomär handling för att låta både videor och atomära åtgärder dra nytta av kompositionsinteraktionerna mellan de två.
[2] AutoDO: Robust AutoAugment för partisk 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 dataökning enligt distributionen av träningsdata. Denna teknik kan tillämpas på 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 inställningsprocessen för dataökningsparametrar elimineras och parametrarna kan justeras automatiskt. Därför kan det förväntas att tillämpningsområdet för AI-teknik kan spridas bredare. I framtiden, genom att ytterligare påskynda forskningen och utvecklingen av denna teknik, kommer vi att arbeta för att realisera AI-teknik som kan användas i verkliga miljöer som bekanta enheter och system. Denna teknik är resultatet av forskning utförd av Digital AI Technology Center, Technology Division, AI Laboratory av Panasonic R&D Company of America.
Figur 2: AutoDO löser problemet med dataökning (Shared-policy DA-dilemma). distributionen av utökade tågdata (streckade blå) kanske inte matchar testdata (fast rött) 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 för dessa teknologier kommer att presenteras på CVPR2021 (att hållas från och med den 19 juni 2017).
Ovanstående meddelande kommer från Panasonics officiella hemsida!
Posttid: 2021-03-03
