Panasonic phát triển hai công nghệ AI tiên tiến,
Được chấp nhận vào CVPR2021,
Hội nghị Công nghệ AI Quốc tế Hàng đầu Thế giới
[1] Hành động tại nhà Genome: Hành động thành phần tương phản Hiểu
Chúng tôi vui mừng thông báo rằng chúng tôi đã phát triển một bộ dữ liệu mới "Home Action Genome" (Bộ gen Hành động Tại nhà), thu thập các hoạt động hàng ngày của con người trong nhà bằng cách sử dụng nhiều loại cảm biến, bao gồm camera, micrô và cảm biến nhiệt. Chúng tôi đã xây dựng và phát hành bộ dữ liệu đa phương thức lớn nhất thế giới về không gian sống, trong khi hầu hết các bộ dữ liệu về không gian sống trước đây đều có quy mô nhỏ. Bằng cách áp dụng bộ dữ liệu này, các nhà nghiên cứu AI có thể sử dụng nó làm dữ liệu đào tạo cho học máy và nghiên cứu AI để hỗ trợ con người trong không gian sống.
Ngoài những điều trên, chúng tôi đã phát triển một công nghệ học tập hợp tác để nhận dạng hoạt động phân cấp trong nhiều góc nhìn đa phương thức. Bằng cách áp dụng công nghệ này, chúng tôi có thể học được các đặc điểm nhất quán giữa các góc nhìn, cảm biến, hành vi phân cấp và nhãn hành vi chi tiết khác nhau, từ đó cải thiện hiệu suất nhận dạng các hoạt động phức tạp trong không gian sống.
Công nghệ này là kết quả nghiên cứu được thực hiện với sự hợp tác giữa Trung tâm Công nghệ AI Kỹ thuật số, Bộ phận Công nghệ và Phòng thí nghiệm Học tập và Tầm nhìn Stanford tại Đại học Stanford.
Hình 1: Hiểu biết về hành động hợp tác (CCAU) Việc đào tạo hợp tác tất cả các phương thức cùng nhau cho phép chúng ta thấy hiệu suất được cải thiện.
Chúng tôi sử dụng phương pháp đào tạo sử dụng cả nhãn hành động cấp độ video và cấp độ nguyên tử để cho phép cả video và hành động nguyên tử đều được hưởng lợi từ sự tương tác thành phần giữa hai nhãn này.
[2] AutoDO: Tự động tăng cường mạnh mẽ cho dữ liệu có độ lệch với nhiễu nhãn thông qua phân biệt ngầm xác suất có thể mở rộng
Chúng tôi cũng vui mừng thông báo rằng chúng tôi đã phát triển một công nghệ học máy mới có thể tự động thực hiện tăng cường dữ liệu tối ưu theo phân phối của dữ liệu đào tạo. Công nghệ này có thể được áp dụng vào các tình huống thực tế, nơi dữ liệu có sẵn rất nhỏ. Có nhiều trường hợp trong các lĩnh vực kinh doanh chính của chúng tôi, nơi khó áp dụng công nghệ AI do hạn chế của dữ liệu có sẵn. Bằng cách áp dụng công nghệ này, quá trình điều chỉnh các tham số tăng cường dữ liệu có thể được loại bỏ và các tham số có thể được điều chỉnh tự động. Do đó, có thể kỳ vọng rằng phạm vi ứng dụng của công nghệ AI có thể được lan rộng hơn nữa. Trong tương lai, bằng cách đẩy nhanh hơn nữa việc nghiên cứu và phát triển công nghệ này, chúng tôi sẽ nỗ lực hiện thực hóa công nghệ AI có thể được sử dụng trong các môi trường thực tế như các thiết bị và hệ thống quen thuộc. Công nghệ này là kết quả nghiên cứu được thực hiện bởi Trung tâm Công nghệ AI Kỹ thuật số, Bộ phận Công nghệ, Phòng thí nghiệm AI của Công ty R&D Panasonic của Mỹ.
Hình 2: AutoDO giải quyết vấn đề tăng cường dữ liệu (Tình huống khó xử về DA trong chính sách chia sẻ). Phân phối dữ liệu đào tạo tăng cường (đường nét đứt màu xanh) có thể không khớp với dữ liệu thử nghiệm (màu đỏ đậm) trong không gian tiềm ẩn:
"2" được tăng cường dưới mức, trong khi "5" được tăng cường quá mức. Do đó, các phương pháp trước đây không thể khớp với phân phối thử nghiệm và quyết định của bộ phân loại đã học f(θ) là không chính xác.
Chi tiết về các công nghệ này sẽ được trình bày tại CVPR2021 (diễn ra từ ngày 19 tháng 6 năm 2017).
Tin nhắn trên được lấy từ trang web chính thức của Panasonic!
Thời gian đăng: 03-06-2021
