Panasonic entwéckelt zwee fortgeschratt AI Technologien,
Akzeptéiert op CVPR2021,
déi weltwäit féierend international AI Technologie Konferenz
[1] Home Action Genom: Contrastive Compositional Action Versteesdemech
Mir si frou Iech matzedeelen datt mir en neien Dataset "Home Action Genome" entwéckelt hunn, deen déi deeglech Aktivitéite vum Mënsch an hiren Haiser sammelt mat verschiddenen Aarte vu Sensoren, dorënner Kameraen, Mikrofonen an thermesch Sensoren. Mir hunn de weltgréisste multimodale Datesaz fir Wunnraim konstruéiert a verëffentlecht, wärend déi meescht Datesätz fir Wunnraim kleng a Skala waren. Andeems Dir dës Datasetze applizéiert, kënnen AI Fuerscher et als Trainingsdaten fir Maschinnléieren an AI Fuerschung benotzen fir Leit am Wunnraum z'ënnerstëtzen.
Zousätzlech zu den uewe genannten, hu mir eng kooperativ Léiertechnologie fir hierarchesch Aktivitéitserkennung a multimodalen a multiple Standpunkter entwéckelt. Duerch d'Uwendung vun dëser Technologie kënne mir konsequent Features tëscht verschiddene Standpunkter, Sensoren, hierarchesche Verhalen, an detailléierte Verhalensetiketten léieren, an doduerch d'Unerkennungsleistung vu komplexen Aktivitéiten a Wunnraim verbesseren.
Dës Technologie ass d'Resultat vun der Fuerschung an Zesummenaarbecht tëscht dem Digital AI Technology Center, Technology Division, an dem Stanford Vision and Learning Lab op der Stanford University.
Figur 1: Cooperative Compositional Action Understanding (CCAU)Kooperativ all Modalitéiten zesummen trainéieren erlaabt eis eng verbessert Leeschtung ze gesinn.
Mir benotzen Training mat béide Video-Niveau an atomarer Handlungsetiketten fir souwuel d'Videoen wéi och d'Atomaktiounen z'erméiglechen vun de kompositiounsinteraktiounen tëscht deenen zwee ze profitéieren.
[2] AutoDO: Robust AutoAugment fir biased Daten mat Label Noise iwwer skalierbar Probabilistesch Implizit Differenzéierung
Mir si frou och matzedeelen datt mir eng nei Maschinnléiertechnologie entwéckelt hunn déi automatesch optimal Datevergréisserung no der Verdeelung vun Trainingsdaten ausféiert. Dës Technologie kann op real Welt Situatiounen applizéiert ginn, wou déi verfügbar Donnéeën ganz kleng sinn. Et gi vill Fäll an eisen Haaptgeschäftsberäicher, wou et schwéier ass AI Technologie z'applizéieren wéinst de Beschränkungen vun den verfügbaren Donnéeën. Duerch d'Applikatioun vun dëser Technologie kann den Tuningprozess vun den Datevergréisserungsparameter eliminéiert ginn, an d'Parameter kënnen automatesch ugepasst ginn. Dofir kann et erwaart ginn datt d'Applikatiounspalette vun der AI Technologie méi wäit verbreet ka ginn. An Zukunft, andeems mir d'Fuerschung an d'Entwécklung vun dëser Technologie weider beschleunegen, wäerte mir schaffen fir AI Technologie ze realiséieren, déi an realen Ëmfeld wéi vertraute Geräter a Systemer benotzt kënne ginn. Dës Technologie ass d'Resultat vun der Fuerschung duerchgefouert vum Digital AI Technology Center, Technology Division, AI Laboratory of Panasonic R&D Company of America.
Figure 2: AutoDO solves the problem of data augmentation (Shared-policy DA dilemma).d'Verdeelung vun erweiderten Zuchdaten (blo gestreckt) passt vläicht net mat den Testdaten (rout fest) am latente Raum:
"2" ass ënner-augmentéiert, während "5" ass iwweraugmentéiert. Als Resultat kënne virdru Methoden net mat der Testverdeelung passen an d'Entscheedung vum geléierte Klassifizéierer f (θ) ass ongenau.
D'Detailer vun dësen Technologien ginn um CVPR2021 presentéiert (fir vum 19. Juni 2017 ofgehale ginn).
Uewen Message kënnt vun Panasonic offiziell Websäit!
Post Zäit: Jun-03-2021
