Panasonic développe deux technologies d'IA avancées,
Accepté au CVPR2021,
la principale conférence internationale sur les technologies de l'IA au monde
[1] Génome d'action domestique : compréhension de l'action compositionnelle contrastive
Nous sommes heureux d'annoncer le développement d'un nouvel ensemble de données, « Home Action Genome », qui collecte les activités quotidiennes des personnes à leur domicile à l'aide de différents 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 étaient à petite échelle. Grâce à cet ensemble de données, les chercheurs en IA peuvent l'utiliser comme données d'entraînement pour l'apprentissage automatique et la recherche en IA afin d'accompagner les personnes dans leur espace de vie.
En complément de ce qui précède, nous avons développé une technologie d'apprentissage coopératif pour la reconnaissance d'activités hiérarchiques dans des environnements multimodaux et multi-points de vue. Grâce à cette technologie, nous pouvons apprendre des caractéristiques cohérentes entre différents points de vue, capteurs, comportements hiérarchiques et étiquettes de comportement détaillées, améliorant ainsi les performances de reconnaissance d'activités complexes dans les espaces de vie.
Cette technologie est le résultat d'une recherche menée 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 atomique pour permettre aux vidéos et aux actions atomiques de bénéficier des interactions compositionnelles entre les deux.
[2] AutoDO : AutoAugment robuste pour les données biaisées avec bruit d'étiquette 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 peut être appliquée à des situations réelles, où les données disponibles sont très limitées. Dans nos principaux secteurs d'activité, il existe de nombreux cas où l'application de l'IA est difficile en raison des limites des données disponibles. Grâce à cette technologie, le processus de réglage des paramètres d'augmentation des données peut être éliminé et ces derniers peuvent être ajustés automatiquement. Par conséquent, le champ d'application de l'IA devrait se développer davantage. À l'avenir, en accélérant davantage la recherche et le développement de cette technologie, nous œuvrerons à la mise au point d'une technologie d'IA utilisable dans des environnements réels, tels que des appareils et systèmes familiers. Cette technologie est le fruit de recherches menées par le Centre de technologie d'IA numérique, division Technologie, laboratoire d'IA de Panasonic R&D Company of America.
Figure 2 : AutoDO résout le problème de l'augmentation des données (dilemme DA à 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 suraugmenté. Par conséquent, les méthodes antérieures 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 du CVPR2021 (qui se tiendra à partir du 19 juin 2017).
Le message ci-dessus provient du site officiel de Panasonic !
Date de publication : 03/06/2021
