Панасоник развија две напредне вештачке интелигенције

Панасоник развија две напредне вештачке интелигенције
Прихваћен у CVPR2021,
водећа светска међународна конференција о технологији вештачке интелигенције

[1] Геном кућне акције: Разумевање контрастивне композиционе акције

Са задовољством објављујемо да смо развили нови скуп података „Home Action Genome“ који прикупља податке о свакодневним активностима људи у њиховим домовима користећи неколико врста сензора, укључујући камере, микрофоне и термалне сензоре. Конструисали смо и објавили највећи светски мултимодални скуп података за животне просторе, док је већина скупова података за животне просторе била малог обима. Применом овог скупа података, истраживачи вештачке интелигенције могу га користити као податке за обуку за машинско учење и истраживање вештачке интелигенције како би подржали људе у животном простору.

Поред горе наведеног, развили смо технологију кооперативног учења за хијерархијско препознавање активности у мултимодалним и вишеструким перспективама. Применом ове технологије можемо научити конзистентне карактеристике између различитих перспектива, сензора, хијерархијских понашања и детаљних ознака понашања, и тиме побољшати перформансе препознавања сложених активности у животним просторима.
Ова технологија је резултат истраживања спроведеног у сарадњи између Центра за дигиталну вештачку интелигенцију, Технолошког одељења и Станфордске лабораторије за визију и учење на Универзитету Станфорд.

Слика 1: Кооперативно разумевање композиционих акција (CCAU) Кооперативно тренирање свих модалитета заједно нам омогућава да видимо побољшане перформансе.
Користимо обуку користећи ознаке и на нивоу видеа и на нивоу атомских акција како бисмо омогућили да и видео снимци и атомске акције имају користи од композиционих интеракција између њих двоје.

[2] AutoDO: Робусно аутоматско проширивање за пристрасне податке са шумом ознака путем скалабилне вероватносне имплицитне диференцијације

Такође нам је задовољство да објавимо да смо развили нову технологију машинског учења која аутоматски врши оптимално проширивање података у складу са дистрибуцијом података за обуку. Ова технологија се може применити у стварним ситуацијама, где су расположиви подаци веома мали. Постоји много случајева у нашим главним пословним областима, где је тешко применити АИ технологију због ограничења доступних података. Применом ове технологије, процес подешавања параметара проширивања података може се елиминисати, а параметри се могу аутоматски подесити. Стога се може очекивати да се опсег примене АИ технологије може шире проширити. У будућности, даљим убрзавањем истраживања и развоја ове технологије, радићемо на реализацији АИ технологије која се може користити у стварним окружењима као што су познати уређаји и системи. Ова технологија је резултат истраживања које је спровео Центар за дигиталну АИ технологију, Технолошка дивизија, АИ лабораторија компаније Panasonic R&D Company of America.

Слика 2: AutoDO решава проблем проширивања података (дилема дељене политике DA). Дистрибуција проширених података о возовима (испрекидана плава) можда се не подудара са тест подацима (пуна црвена) у латентном простору:
„2“ је недовољно проширено, док је „5“ превише проширено. Као резултат тога, претходне методе не могу да се подударају са тест дистрибуцијом и одлука наученог класификатора f(θ) је нетачна.

 

Детаљи о овим технологијама биће представљени на CVPR2021 (који ће се одржати од 19. јуна 2017. године).

Горња порука је са званичне веб странице компаније Панасоник!


Време објаве: 03. јун 2021.