Panasonic Evoluigas Du Altnivelajn AI-Teknologiojn,
Akceptita por CVPR2021,
la Plej Gvida Internacia Konferenco pri AI-Teknologio de la Mondo
[1] Hejma Ago-Genaro: Kompreno de Kontrasta Kompona Ago
Ni ĝojas anonci, ke ni kreis novan datumbazon "Hejma Agada Genaro", kiu kolektas la ĉiutagajn agadojn de homoj en iliaj hejmoj uzante plurajn specojn de sensiloj, inkluzive de fotiloj, mikrofonoj kaj termikaj sensiloj. Ni konstruis kaj publikigis la plej grandan multimodalan datumbazon en la mondo por loĝspacoj, dum la plej multaj datumbazoj por loĝspacoj estis malgrandskalaj. Aplikante ĉi tiun datumbazon, esploristoj pri artefarita inteligenteco povas uzi ĝin kiel trejnajn datumojn por maŝinlernado kaj esplorado pri artefarita inteligenteco por subteni homojn en loĝspaco.
Aldone al ĉi supre, ni evoluigis kooperan lernan teknologion por hierarkia agadrekono en multimodalaj kaj multoblaj vidpunktoj. Aplikante ĉi tiun teknologion, ni povas lerni koherajn trajtojn inter malsamaj vidpunktoj, sensiloj, hierarkiaj kondutoj kaj detalaj kondutetikedoj, kaj tiel plibonigi la rekonan rendimenton de kompleksaj agadoj en loĝspacoj.
Ĉi tiu teknologio estas la rezulto de esplorado farita en kunlaboro inter la Cifereca AI Teknologia Centro, Teknologia Divizio, kaj la Stanforda Vizio kaj Lernado-Laboratorio ĉe Universitato Stanford.
Figuro 1: Koopera Kompreno pri Komponado de Agado (KKAA) Kune trejni ĉiujn modalecojn permesas al ni vidi plibonigitan rendimenton.
Ni utiligas trejnadon uzante kaj videonivelajn kaj atomajn agajn etikedojn por permesi al kaj la videoj kaj atomaj agoj profiti de la komponaj interagoj inter la du.
[2] AutoDO: Fortika Aŭtomata Pliigo por Distorditaj Datumoj kun Etikeda Bruo per Skalebla Probabla Implica Diferencigo
Ni ankaŭ plaĉas anonci, ke ni disvolvis novan maŝinlernadan teknologion, kiu aŭtomate plenumas optimuman datenpligrandigon laŭ la distribuo de trejnaj datumoj. Ĉi tiu teknologio povas esti aplikita al realmondaj situacioj, kie la disponeblaj datumoj estas tre malgrandaj. Ekzistas multaj kazoj en niaj ĉefaj komercaj kampoj, kie estas malfacile apliki AI-teknologion pro la limigoj de la disponeblaj datumoj. Aplikante ĉi tiun teknologion, la agorda procezo de datenpligrandigaj parametroj povas esti forigita, kaj la parametroj povas esti aŭtomate alĝustigitaj. Tial, oni povas atendi, ke la aplika gamo de AI-teknologio povos esti pli vaste disvastigita. Estonte, per plua akcelo de la esplorado kaj disvolviĝo de ĉi tiu teknologio, ni laboros por realigi AI-teknologion, kiu povas esti uzata en realmondaj medioj kiel konataj aparatoj kaj sistemoj. Ĉi tiu teknologio estas la rezulto de esplorado farita de la Cifereca AI-Teknologia Centro, Teknologia Divizio, AI-Laboratorio de Panasonic R&D Company of America.
Figuro 2: AutoDO solvas la problemon de datenpligrandigo (Dilemo de kundividita politiko DA). La distribuo de pligrandigitaj trajnaj datumoj (streketitaj blue) eble ne kongruas kun la testaj datumoj (plene ruĝaj) en la latenta spaco:
"2" estas sub-pliigita, dum "5" estas tro-pliigita. Rezulte, antaŭaj metodoj ne povas kongrui kun la testa distribuo kaj la decido de la lernita klasifikilo f(θ) estas malpreciza.
La detaloj pri ĉi tiuj teknologioj estos prezentitaj ĉe CVPR2021 (okazanta ekde la 19-a de junio 2017).
La supra mesaĝo venas de la oficiala retejo de Panasonic!
Afiŝtempo: 3-a de junio 2021
