Panasonic izstrādā divas progresīvas mākslīgā intelekta tehnoloģijas,
Pieņemts CVPR2021,
pasaulē vadošā starptautiskā mākslīgā intelekta tehnoloģiju konference
[1] Sākums Darbības genoms: kontrastīvā kompozicionālās darbības izpratne
Ar prieku paziņojam, ka esam izstrādājuši jaunu datu kopu "Home Action Genome", kas apkopo cilvēku ikdienas aktivitātes viņu mājās, izmantojot vairāku veidu sensorus, tostarp kameras, mikrofonus un termiskos sensorus. Esam izveidojuši un publicējuši pasaulē lielāko multimodālo dzīvojamo telpu datu kopu, lai gan lielākā daļa dzīvojamo telpu datu kopu ir bijušas neliela mēroga. Izmantojot šo datu kopu, mākslīgā intelekta pētnieki to var izmantot kā apmācības datus mašīnmācībai un mākslīgā intelekta pētījumiem, lai atbalstītu cilvēkus dzīvojamās telpās.
Papildus iepriekšminētajam esam izstrādājuši kooperatīvās mācīšanās tehnoloģiju hierarhiskai aktivitāšu atpazīšanai multimodālos un vairākos skatupunktos. Izmantojot šo tehnoloģiju, mēs varam apgūt konsekventas iezīmes starp dažādiem skatupunktiem, sensoriem, hierarhisku uzvedību un detalizētām uzvedības etiķetēm, tādējādi uzlabojot sarežģītu aktivitāšu atpazīšanas veiktspēju dzīvojamās telpās.
Šī tehnoloģija ir pētījuma rezultāts, kas veikts sadarbībā starp Digitālā mākslīgā intelekta tehnoloģiju centru, Tehnoloģiju nodaļu un Stenfordas Universitātes Redzes un mācību laboratoriju.
1. attēls: Kooperatīva kompozicionālās darbības izpratne (CCAU). Visu modalitāšu kopīga apmācība ļauj mums redzēt uzlabotu sniegumu.
Mēs izmantojam apmācību, izmantojot gan video līmeņa, gan atomu darbību etiķetes, lai gan video, gan atomu darbības varētu gūt labumu no abu elementu kompozicionālās mijiedarbības.
[2] AutoDO: Stabila automātiskā papildināšana neobjektīviem datiem ar etiķešu troksni, izmantojot mērogojamu varbūtības implicitā diferenciāciju
Ar prieku paziņojam, ka esam izstrādājuši jaunu mašīnmācīšanās tehnoloģiju, kas automātiski veic optimālu datu palielināšanu atbilstoši apmācības datu sadalījumam. Šo tehnoloģiju var pielietot reālās pasaules situācijās, kur pieejamo datu apjoms ir ļoti mazs. Mūsu galvenajās biznesa jomās ir daudz gadījumu, kad mākslīgā intelekta tehnoloģiju ir grūti pielietot pieejamo datu ierobežojumu dēļ. Pielietojot šo tehnoloģiju, var novērst datu palielināšanas parametru regulēšanas procesu, un parametrus var pielāgot automātiski. Tādēļ var sagaidīt, ka mākslīgā intelekta tehnoloģijas pielietojuma klāsts varēs tikt plašāks. Nākotnē, vēl vairāk paātrinot šīs tehnoloģijas izpēti un attīstību, mēs strādāsim pie tā, lai ieviestu mākslīgā intelekta tehnoloģiju, ko var izmantot reālās pasaules vidēs, piemēram, pazīstamās ierīcēs un sistēmās. Šī tehnoloģija ir Panasonic R&D Company of America Mākslīgā intelekta laboratorijas Digitālā mākslīgā intelekta tehnoloģiju centra Tehnoloģiju nodaļas veiktā pētījuma rezultāts.
2. attēls: AutoDO atrisina datu papildināšanas problēmu (koplietotas politikas DA dilemma). Papildināto vilciena datu sadalījums (pārtraukta zila līnija) var neatbilst testa datiem (nepārtraukti sarkana līnija) latentajā telpā:
"2" ir nepietiekami papildināts, savukārt "5" ir pārāk papildināts. Tā rezultātā iepriekšējās metodes nevar saskaņot testa sadalījumu, un apgūtā klasifikatora f(θ) lēmums ir neprecīzs.
Sīkāka informācija par šīm tehnoloģijām tiks prezentēta CVPR2021 (kas notiks no 2017. gada 19. jūnija).
Iepriekš minētais ziņojums ir no Panasonic oficiālās tīmekļa vietnes!
Publicēšanas laiks: 2021. gada 3. jūnijs
