Panasonic développe deux technologies d'IA avancées,
Accepté à CVPR2021,
La principale conférence internationale mondiale sur les technologies d'IA
[1] Génome d'action domestique : compréhension de l'action compositionnelle contrastive
Nous sommes heureux d'annoncer la création de « Home Action Genome », un nouveau jeu de données qui collecte les activités quotidiennes des personnes à domicile grâce à différents types de capteurs, notamment des caméras, des microphones et des capteurs thermiques. Nous avons ainsi constitué et mis à disposition le plus grand jeu de données multimodal au monde dédié aux espaces de vie, alors que la plupart des jeux de données existants sur ce sujet étaient jusqu'à présent de taille réduite. Grâce à ce jeu de données, les chercheurs en IA peuvent l'utiliser comme données d'entraînement pour l'apprentissage automatique et la recherche en IA, afin d'améliorer l'expérience des personnes à domicile.
En complément, nous avons développé une technologie d'apprentissage coopératif pour la reconnaissance d'activités hiérarchiques dans un contexte multimodal et à points de vue multiples. Grâce à cette technologie, nous pouvons identifier des caractéristiques communes entre différents points de vue, capteurs, comportements hiérarchiques et descriptions détaillées de ces comportements, et ainsi améliorer la reconnaissance d'activités complexes dans les espaces de vie.
Cette technologie est le fruit d'une recherche menée en collaboration entre le Centre de technologie d'IA numérique, la Division de la technologie et le Laboratoire de vision et d'apprentissage de Stanford à l'Université de Stanford.
Figure 1 : Compréhension de l'action compositionnelle coopérative (CCAU) L'entraînement coopératif de toutes les modalités ensemble nous permet de constater une amélioration des performances.
Nous utilisons une formation utilisant à la fois des étiquettes au niveau de la vidéo et des étiquettes d'actions atomiques pour permettre aux vidéos et aux actions atomiques de bénéficier des interactions compositionnelles entre les deux.
[2] AutoDO : AutoAugmentation robuste pour les données biaisées avec bruit d’étiquetage via une différenciation implicite probabiliste évolutive
Nous sommes également heureux d'annoncer le développement d'une nouvelle technologie d'apprentissage automatique qui optimise automatiquement l'augmentation des données en fonction de la distribution des données d'entraînement. Cette technologie est applicable à des situations réelles où les données disponibles sont très limitées. Dans nos principaux secteurs d'activité, l'application de l'IA est souvent complexe en raison de ces limitations. Grâce à cette technologie, le réglage des paramètres d'augmentation des données est simplifié et automatisé. On peut ainsi espérer un élargissement du champ d'application de l'IA. À l'avenir, en accélérant la recherche et le développement de cette technologie, nous travaillerons à la mise au point d'une IA utilisable dans des environnements réels, tels que les appareils et systèmes courants. Cette technologie est le fruit des recherches menées par le Centre de technologie d'IA numérique, au sein de la Division Technologie et du Laboratoire d'IA de Panasonic R&D Company of America.
Figure 2 : AutoDO résout le problème de l’augmentation des données (dilemme de l’augmentation des données à politique partagée). La distribution des données d’entraînement augmentées (en pointillés bleus) peut ne pas correspondre aux données de test (en trait plein rouge) dans l’espace latent.
« 2 » est sous-augmenté, tandis que « 5 » est suraugmenté. Par conséquent, les méthodes précédentes ne peuvent pas correspondre à la distribution de test et la décision du classificateur appris f(θ) est inexacte.
Les détails de ces technologies seront présentés lors de la conférence CVPR2021 (qui se tiendra à partir du 19 juin 2017).
Le message ci-dessus provient du site officiel de Panasonic !
Date de publication : 3 juin 2021
