Panasonic entwéckelt zwou fortgeschratt KI-Technologien,
Akzeptéiert fir CVPR2021,
déi weltgréisst international KI-Technologiekonferenz
[1] Home Aktiounsgenom: Kontrastiv Kompositiounsaktioun Verständnis
Mir freeën eis Iech matzedeelen, datt mir en neien Datesaz "Home Action Genome" entwéckelt hunn, deen d'deeglech Aktivitéite vun de Mënschen an hiren Heiser mat Hëllef vu verschiddenen Aarte vu Sensoren, dorënner Kameraen, Mikrofonen an thermesch Sensoren, sammelt. Mir hunn de weltgréissten multimodalen Datesaz fir Wunnraim konstruéiert a verëffentlecht, während déi meescht Datesätz fir Wunnraim kleng waren. Duerch d'Uwendung vun dësem Datesaz kënnen KI-Fuerscher en als Trainingsdaten fir maschinellt Léieren an KI-Fuerschung benotzen, fir d'Leit am Wunnraum z'ënnerstëtzen.
Zousätzlech zu den uewe genannten, hu mir eng kooperativ Léiertechnologie fir hierarchesch Aktivitéitserkennung a multimodalen a multiple Perspektiven entwéckelt. Duerch d'Applikatioun vun dëser Technologie kënne mir konsequent Charakteristiken tëscht verschiddene Perspektiven, Sensoren, hierarchesche Verhalensweisen a detailléierte Verhalenslabel léieren, an doduerch d'Erkennungsleistung vu komplexen Aktivitéiten a Wunnraim verbesseren.
Dës Technologie ass d'Resultat vu Fuerschung, déi a Kooperatioun tëscht dem Digital AI Technology Center, der Technology Division an dem Stanford Vision and Learning Lab vun der Stanford University duerchgefouert gouf.
Figur 1: Kooperativt Kompositiounsaktiounsversteesdemech (CCAU) Duerch d'kooperativt Training vun alle Modalitéiten zesummen kënne mir eng verbessert Leeschtung gesinn.
Mir benotzen Training mat souwuel Video-Niveau wéi och atomaren Aktiounslabelen, fir datt souwuel d'Videoen wéi och d'atomar Aktiounen vun den kompositiounsinteraktiounen tëscht deenen zwee profitéiere kënnen.
[2] AutoDO: Robust AutoAugment fir verzerrt Daten mat Labelrauschen iwwer skalierbar probabilistesch implizit Differenzéierung
Mir freeën eis och matzedeelen, datt mir eng nei Maschinnléiertechnologie entwéckelt hunn, déi automatesch eng optimal Datenergänzung no der Verdeelung vun den Trainingsdaten duerchféiert. Dës Technologie kann a real Situatiounen ugewannt ginn, wou déi verfügbar Daten ganz kleng sinn. Et gëtt vill Fäll an eise wichtegste Geschäftsberäicher, wou et schwéier ass, KI-Technologie wéinst de Limitatioune vun den verfügbaren Daten anzesetzen. Duerch d'Applikatioun vun dëser Technologie kann den Ofstëmmungsprozess vun den Datenergänzungsparameter eliminéiert ginn, an d'Parameter kënnen automatesch ugepasst ginn. Dofir kann een erwaarden, datt den Uwendungsberäich vun der KI-Technologie méi breet verbreet ka ginn. An Zukunft, andeems mir d'Fuerschung an d'Entwécklung vun dëser Technologie weider beschleunegen, wäerte mir un der Realisatioun vun KI-Technologie schaffen, déi a realen Ëmfeld wéi bekannte Geräter a Systemer ka benotzt ginn. Dës Technologie ass d'Resultat vun der Fuerschung, déi vum Digital AI Technology Center, Technology Division, AI Laboratory vun der Panasonic R&D Company of America duerchgefouert gouf.
Figur 2: AutoDO léist de Problem vun der Datenaugmentatioun (Shared-Policy DA Dilemma). D'Verdeelung vun augmentéierten Zuchdaten (gestreckt blo) kéint net mat den Testdaten (konstant rout) am latente Raum iwwereneestëmmen:
"2" ass ënneraugmentéiert, während "5" iwweraugmentéiert ass. Dofir kënnen déi fréier Methoden net mat der Testverdeelung iwwereneestëmmen an d'Entscheedung vum geléierte Klassifikator f(θ) ass ongenau.
D'Detailer vun dësen Technologien ginn op der CVPR2021 (déi vum 19. Juni 2017 un stattfënnt) presentéiert.
Déi uewe genannte Noriicht kënnt vun der offizieller Websäit vu Panasonic!
Zäitpunkt vun der Verëffentlechung: 03. Juni 2021
