Panasonic utvecklar två avancerade AI -tekniker,
Accepteras till CVPR2021,
Världens ledande internationella AI -teknikkonferens
[1] Hemåtgärdsgenom: Kontrastiv kompositionsåtgärdsförståelse
Vi är glada att meddela att vi har utvecklat ett nytt datasätt "Home Action Genome" som samlar människans dagliga aktiviteter i sina hem med flera typer av sensorer, inklusive kameror, mikrofoner och termiska sensorer. Vi har konstruerat och släppt världens största multimodala datasätt för bostadsområden, medan de flesta datasätt för bostadsområden har varit små i skala. Genom att tillämpa detta datasätt kan AI -forskare använda det som utbildningsdata för maskininlärning och AI -forskning för att stödja människor i bostadsområdet.
Utöver ovanstående har vi utvecklat en kooperativ inlärningsteknologi för hierarkiskt aktivitetsigenkänning i multimodala och flera synpunkter. Genom att tillämpa denna teknik kan vi lära oss konsekventa funktioner mellan olika synpunkter, sensorer, hierarkiska beteenden och detaljerade beteendetiketter och därmed förbättra erkännandeprestanda för komplexa aktiviteter i bostadsområden.
Denna teknik är resultatet av forskning som genomförs 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) Kooperativt utbilda alla metoder tillsammans gör att vi kan se förbättrad prestanda.
Vi använder träning med både videonivå och atomiska handlingsetiketter för att tillåta både videor och atomåtgärder att dra nytta av kompositionens interaktioner mellan de två.
[2] Autodo: Robust autoaugment för partisk data med etikettbrus via skalbar probabilistisk implicit differentiering
Vi är också nöjda med att meddela att vi har utvecklat en ny maskininlärningsteknologi som automatiskt utför optimal dataförstärkning enligt distributionen av träningsdata. Denna teknik kan tillämpas i situationer i verkliga världen, där tillgängliga data är mycket små. Det finns många fall i våra huvudsakliga affärsområden, där det är svårt att tillämpa AI -teknik på grund av begränsningarna för tillgängliga data. Genom att tillämpa denna teknik kan inställningsprocessen för dataförstärkningsparametrar elimineras och parametrarna kan justeras automatiskt. Därför kan det förväntas att applikationsintervallet för AI -teknik kan spridas mer allmänt. 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 of Panasonic FoU Company of America.
Bild 2: Autodo löser problemet med dataförstärkning (delad politisk DA-dilemma). Fördelningen av förstärkta tågdata (streckad blå) kanske inte matchar testdata (fast röd) i det latenta utrymmet:
"2" är underdömd, medan "5" är överig. Som ett resultat kan tidigare metoder inte matcha testfördelningen och beslutet från den lärda klassificeraren F (θ) är felaktig.
Detaljerna för dessa tekniker kommer att presenteras på CVPR2021 (som hålls från 19 juni 2017).
Ovanstående meddelande kommer från Panasonic officiell webbplats!
Posttid: jun-03-2021
