Panasonic développe deux technologies d'IA avancées,
Accepté au CVPR2021,
la plus grande conférence internationale sur les technologies de l'IA au monde
[1] Home Action Genome : compréhension contrastive de l'action compositionnelle
Nous sommes heureux d'annoncer que nous avons développé un nouvel ensemble de données « Home Action Genome » qui collecte les activités quotidiennes des humains dans leur maison à l'aide de plusieurs types de capteurs, notamment des caméras, des microphones et des capteurs thermiques. Nous avons construit et publié le plus grand ensemble de données multimodales au monde sur les espaces de vie, alors que la plupart des ensembles de données sur les espaces de vie sont de petite taille. En appliquant cet ensemble de données, les chercheurs en IA peuvent l'utiliser comme données de formation pour l'apprentissage automatique et la recherche en IA afin d'aider les personnes dans l'espace de vie.
En plus de ce qui précède, nous avons développé une technologie d'apprentissage coopératif pour la reconnaissance d'activités hiérarchiques dans des 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 d'activités complexes dans les espaces de vie.
Cette technologie est le résultat de recherches menées en collaboration entre le Digital AI Technology Center, Technology Division et le Stanford Vision and Learning Lab de 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 d'action au niveau vidéo et atomiques pour permettre aux vidéos et aux actions atomiques de bénéficier des interactions compositionnelles entre les deux.
[2] AutoDO : augmentation automatique robuste pour les données biaisées avec 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 optimale des données en fonction de la distribution des données d'entraînement. Cette technologie peut être appliquée à des situations réelles, où les données disponibles sont très limitées. 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. On peut donc s’attendre à ce que la gamme d’applications de la technologie de l’IA puisse s’étendre plus largement. À l’avenir, en accélérant encore la recherche et le développement de cette technologie, nous nous efforcerons de mettre au point une technologie d’IA pouvant 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 de 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 (en pointillés bleus) peut ne pas correspondre aux données de test (en rouge continu) dans l'espace latent :
"2" est sous-augmenté, tandis que "5" est sur-augmenté. En conséquence, les méthodes précédentes ne peuvent pas correspondre à la distribution des tests et la décision du classificateur appris 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 provient du site officiel de Panasonic !
Heure de publication : 03 juin 2021
