Panasonic développe deux technologies AI avancées,
Accepté au CVPR2021,
La principale conférence internationale de la technologie internationale de l'IA au monde
[1] Genome d'action à domicile: compréhension de l'action compositionnelle contrastée
Nous sommes heureux d'annoncer que nous avons développé un nouvel ensemble de données "Home Action Genome" qui collecte les activités quotidiennes de l'homme dans leurs maisons en utilisant plusieurs types de capteurs, notamment des caméras, des microphones et des capteurs thermiques. Nous avons construit et publié le plus grand ensemble de données multimodal au monde pour les espaces de vie, tandis que la plupart des ensembles de données pour les espaces de vie ont été à petite échelle. En appliquant cet ensemble de données, les chercheurs d'IA peuvent les utiliser comme données de formation pour l'apprentissage automatique et la recherche sur l'IA pour soutenir les personnes dans l'espace de vie.
En plus de ce qui précède, nous avons développé une technologie d'apprentissage coopérative pour la reconnaissance d'activité hiérarchique dans les points de vue multimodaux et multiples. En appliquant cette technologie, nous pouvons apprendre des caractéristiques cohérentes entre différents points de vue, capteurs, comportements hiérarchiques et étiquettes de comportement détaillées, et ainsi améliorer les performances de reconnaissance des activités complexes dans les espaces de vie.
Cette technologie est le résultat d'une recherche menée en collaboration entre le Digital AI Technology Center, la division technologique et le Stanford Vision and Learning Lab à l'Université de Stanford.
Figure1: Cooperative Compositional Action Comprendre (CCAU) La formation en coopération de toutes les modalités nous permet de voir des performances améliorées.
Nous utilisons une formation en utilisant des étiquettes d'action au niveau vidéo et atomique pour permettre à la fois les vidéos et les actions atomiques pour bénéficier des interactions de composition entre les deux.
[2] Autodo: autoaugment robuste pour les données biaisées avec le bruit d'étiquette via une différenciation implicite probabiliste évolutive
Nous sommes également heureux d'annoncer que nous avons développé une nouvelle technologie d'apprentissage automatique qui effectue automatiquement une augmentation des données optimale en fonction de la distribution des données de formation. Cette technologie peut être appliquée à des situations réelles, où les données disponibles sont très petites. Il existe de nombreux cas dans nos principaux domaines d'activité, où il est difficile d'appliquer la technologie de l'IA en raison des limites des données disponibles. En appliquant cette technologie, le processus de réglage des paramètres d'augmentation des données peut être éliminé et les paramètres peuvent être ajustés automatiquement. Par conséquent, on peut s'attendre à ce que la plage d'applications de la technologie d'IA puisse se propager plus largement. À l'avenir, en accélérant davantage la recherche et le développement de cette technologie, nous travaillerons pour réaliser une technologie d'IA qui peut être utilisée dans des environnements réels tels que des appareils et des systèmes familiers. Cette technologie est le résultat de recherches menées par le Digital AI Technology Center, Technology Division, AI Laboratory of Panasonic R&D Company of America.
Figure 2: Autodo résout le problème de l'augmentation des données (dilemme DA de politique partagée). La distribution des données de train augmentées (bleu pointillé) peut ne pas correspondre aux données de test (rouge solide) dans l'espace latent:
"2" est sous-augmenté, tandis que "5" est suraugmenté. En conséquence, les méthodes antérieures ne peuvent pas correspondre à la distribution des tests et la décision du classificateur apprise F (θ) est inexacte.
Les détails de ces technologies seront présentés au CVPR2021 (qui se tiendra à partir du 19 juin 2017).
Le message ci-dessus vient du site officiel de Panasonic!
Heure du poste: juin-03-2021
