Panasonic Disvolvas Du Altnivelajn AI-Teknologiojn,
Akceptita al CVPR2021,
la Monda Gvida Internacia AI Teknologia Konferenco
[1] Home Action Genome: Contrastive Compositional Action Understanding
Ni ĝojas anonci, ke ni evoluigis novan datumaron "Home Action Genome" kiu kolektas la ĉiutagajn agadojn de homoj en siaj hejmoj uzante plurajn specojn de sensiloj, inkluzive de fotiloj, mikrofonoj kaj termikaj sensiloj. Ni konstruis kaj publikigis la plej grandan multmodan datumaron de la mondo por vivspacoj, dum la plej multaj datumaroj por vivspacoj estis malgrandaj en skalo. Aplikante ĉi tiun datuman aron, AI-esploristoj povas uzi ĝin kiel trejnajn datumojn por maŝinlernado kaj AI-esplorado por subteni homojn en vivspaco.
Aldone al ĉi-supra, ni evoluigis kunlaboran lernan teknologion por hierarkia agado-rekono en multmodaj kaj multoblaj vidpunktoj. Aplikante ĉi tiun teknologion, ni povas lerni konsekvencajn trajtojn inter malsamaj vidpunktoj, sensiloj, hierarkiaj kondutoj kaj detalaj kondutetikedoj, kaj tiel plibonigi la rekonan agadon de kompleksaj agadoj en vivaj spacoj.
Ĉi tiu teknologio estas la rezulto de esplorado farita en kunlaboro inter la Cifereca AI Teknologia Centro, Teknologia Divido kaj la Stanforda Vizio kaj Lernado-Laboratorio ĉe Universitato Stanford.
Figuro 1: Koopera Kompozicia Aga Kompreno (CCAU) Kunlabore trejni ĉiujn kategoriojn kune permesas al ni vidi plibonigitan agadon.
Ni uzas trejnadon uzante kaj video-nivelajn kaj atomajn agajn etikedojn por permesi kaj la videojn kaj atomajn agojn profiti el la komponaj interagoj inter la du.
[2] AutoDO: Fortika AutoAugment por Biased Data kun Label Noise per Scalable Probabilistic Implicit Differentiation
Ni ankaŭ ĝojas anonci, ke ni evoluigis novan maŝinlernan teknologion, kiu aŭtomate plenumas optimuman pliigon de datumoj laŭ la distribuado de trejnaj datumoj. Ĉi tiu teknologio povas esti aplikita al realaj situacioj, kie la disponeblaj datumoj estas tre malgrandaj. Estas multaj kazoj en niaj ĉefaj komercaj areoj, kie estas malfacile apliki AI-teknologion pro la limigoj de la disponeblaj datumoj. Aplikante ĉi tiun teknologion, la agorda procezo de datumpliigaj parametroj povas esti forigita, kaj la parametroj povas esti alĝustigitaj aŭtomate. Tial oni povas atendi, ke la aplika gamo de AI-teknologio povas esti disvastigita pli vaste. En la estonteco, plu akcelante la esploradon kaj disvolviĝon de ĉi tiu teknologio, ni laboros por realigi AI-teknologion, kiu povas esti uzata en realaj medioj kiel konataj aparatoj kaj sistemoj. Ĉi tiu teknologio estas la rezulto de esplorado farita de la Cifereca AI Teknologia Centro, Teknologia Divido, AI-Laboratorio de Panasonic R&D Company de Ameriko.
Figuro 2: AutoDO solvas la problemon de pliigo de datumoj (Dilemo de Komuna politiko DA). La distribuo de pliigitaj trajnodatenoj (streketa blua) eble ne kongruas kun la testaj datumoj (solida ruĝa) en la latenta spaco:
"2" estas sub-pliigita, dum "5" estas tropliigita. Kiel rezulto, antaŭaj metodoj ne povas egali la testdistribuon kaj la decido de la lernita klasigilo f(θ) estas malpreciza.
La detaloj de ĉi tiuj teknologioj estos prezentitaj ĉe CVPR2021 (okazota de la 19-a de junio 2017).
La supra mesaĝo venas de la oficiala retejo de Panasonic!
Afiŝtempo: Jun-03-2021
