Ang Panasonic ay Bumuo ng Dalawang Advanced na AI Technologies,
Tinanggap sa CVPR2021,
ang World's Leading International AI Technology Conference
[1] Home Action Genome: Contrastive Compositional Action Understanding
Ikinalulugod naming ipahayag na nakabuo kami ng bagong dataset na "Home Action Genome" na nangongolekta ng pang-araw-araw na aktibidad ng tao sa kanilang mga tahanan gamit ang ilang uri ng sensor, kabilang ang mga camera, mikropono, at thermal sensor. Binuo at inilabas namin ang pinakamalaking multimodal na dataset sa mundo para sa mga living space, habang ang karamihan sa mga dataset para sa mga living space ay maliit sa sukat. Sa pamamagitan ng paglalapat ng dataset na ito, magagamit ito ng mga AI researcher bilang data ng pagsasanay para sa machine learning at AI research para suportahan ang mga tao sa living space.
Bilang karagdagan sa nasa itaas, nakabuo kami ng isang teknolohiyang kooperatiba sa pag-aaral para sa hierarchical na pagkilala sa aktibidad sa multimodal at maraming pananaw. Sa pamamagitan ng paglalapat ng teknolohiyang ito, matututuhan natin ang mga pare-parehong feature sa pagitan ng iba't ibang viewpoint, sensor, hierarchical na gawi, at detalyadong label ng gawi, at sa gayon ay mapagbuti ang pagganap ng pagkilala ng mga kumplikadong aktibidad sa mga living space.
Ang teknolohiyang ito ay resulta ng pananaliksik na isinagawa sa pakikipagtulungan sa pagitan ng Digital AI Technology Center, Technology Division, at ng Stanford Vision and Learning Lab sa Stanford University.
Figure1: Cooperative Compositional Action Understanding (CCAU)Ang sama-samang pagsasanay sa lahat ng modalidad ay nagbibigay-daan sa amin na makita ang pinabuting pagganap.
Ginagamit namin ang pagsasanay gamit ang parehong mga label ng video-level at atomic action para payagan ang mga video at atomic na aksyon na makinabang mula sa mga compositional na pakikipag-ugnayan sa pagitan ng dalawa.
[2] AutoDO: Matatag na AutoAugment para sa Biased Data na may Label Noise sa pamamagitan ng Scalable Probabilistic Implicit Differentiation
Ikinalulugod din naming ipahayag na nakabuo kami ng bagong teknolohiya sa pag-aaral ng makina na awtomatikong nagsasagawa ng pinakamainam na pagpapalaki ng data ayon sa pamamahagi ng data ng pagsasanay. Maaaring ilapat ang teknolohiyang ito sa mga totoong sitwasyon sa mundo, kung saan napakaliit ng magagamit na data. Mayroong maraming mga kaso sa aming mga pangunahing lugar ng negosyo, kung saan mahirap ilapat ang teknolohiya ng AI dahil sa mga limitasyon ng magagamit na data. Sa pamamagitan ng paglalapat ng teknolohiyang ito, ang proseso ng pag-tune ng mga parameter ng pagpapalaki ng data ay maaaring alisin, at ang mga parameter ay maaaring awtomatikong ayusin. Samakatuwid, maaaring asahan na ang saklaw ng aplikasyon ng teknolohiya ng AI ay maaaring maikalat nang mas malawak. Sa hinaharap, sa pamamagitan ng higit pang pagpapabilis sa pagsasaliksik at pagpapaunlad ng teknolohiyang ito, magsusumikap kaming maisakatuparan ang teknolohiya ng AI na maaaring magamit sa mga totoong kapaligiran tulad ng mga pamilyar na device at system. Ang teknolohiyang ito ay resulta ng pananaliksik na isinagawa ng Digital AI Technology Center, Technology Division, AI Laboratory ng Panasonic R&D Company of America.
Figure 2: Niresolba ng AutoDO ang problema sa pagpapalaki ng data (Shared-policy DA dilemma). ang distribusyon ng augmented train data (dashed blue) ay maaaring hindi tumugma sa test data (solid red) sa latent space:
Ang "2" ay kulang sa pagpapalaki, habang ang "5" ay labis na dinagdagan. Bilang isang resulta, ang mga naunang pamamaraan ay hindi maaaring tumugma sa pamamahagi ng pagsubok at ang desisyon ng natutunan na classifier f(θ) ay hindi tumpak.
Ang mga detalye ng mga teknolohiyang ito ay ipapakita sa CVPR2021 (gagawin mula Hunyo 19, 2017).
Ang mensahe sa itaas ay nagmula sa opisyal na website ng Panasonic!
Oras ng post: Hun-03-2021
