Panasonic-ը զարգացնում է երկու առաջադեմ AI տեխնոլոգիաներ,
Ընդունված է CVPR2021,
աշխարհի առաջատար միջազգային AI տեխնոլոգիական համաժողովը
[1] Home Action Genome. Contrastive Compositional Action Understanding
Մենք ուրախ ենք տեղեկացնել, որ մենք մշակել ենք նոր տվյալների բազա՝ «Home Action Genome», որը հավաքում է մարդկանց ամենօրյա գործունեությունը իրենց տներում՝ օգտագործելով մի քանի տեսակի սենսորներ, այդ թվում՝ տեսախցիկներ, միկրոֆոններ և ջերմային տվիչներ: Մենք կառուցել և թողարկել ենք աշխարհի ամենամեծ բազմամոդալ տվյալների բազան բնակելի տարածքների համար, մինչդեռ բնակելի տարածքների տվյալների հավաքածուների մեծ մասը եղել է փոքր մասշտաբով: Կիրառելով այս տվյալների բազան՝ AI հետազոտողները կարող են այն օգտագործել որպես ուսումնական տվյալներ մեքենայական ուսուցման և AI հետազոտության համար՝ կենդանի տարածքում մարդկանց աջակցելու համար:
Ի հավելումն վերը նշվածի՝ մենք մշակել ենք համագործակցային ուսուցման տեխնոլոգիա՝ մուլտիմոդալ և բազմակի տեսակետներում հիերարխիկ գործունեության ճանաչման համար: Կիրառելով այս տեխնոլոգիան՝ մենք կարող ենք սովորել հետևողական առանձնահատկություններ տարբեր տեսակետների, սենսորների, հիերարխիկ վարքագծի և վարքագծի մանրամասն պիտակների միջև և այդպիսով բարելավել կենսատարածքում բարդ գործողությունների ճանաչման կատարումը:
Այս տեխնոլոգիան հետազոտության արդյունք է, որն իրականացվել է Թվային AI տեխնոլոգիական կենտրոնի, տեխնոլոգիական բաժնի և Սթենֆորդի համալսարանի Stanford Vision and Learning Lab-ի համագործակցությամբ:
Նկար 1. Համագործակցային կոմպոզիցիոն գործողությունների ըմբռնում (CCAU) Բոլոր եղանակների համատեղ ուսուցումը թույլ է տալիս մեզ տեսնել բարելավված կատարողականություն:
Մենք օգտագործում ենք ուսուցում՝ օգտագործելով և՛ վիդեո մակարդակի, և՛ ատոմային գործողությունների պիտակներ, որպեսզի թույլ տան, որ թե՛ տեսանյութերը, թե՛ ատոմային գործողությունները օգտվեն երկուսի միջև կոմպոզիցիոն փոխազդեցությունից:
[2] AutoDO. Կայուն ավտոմատ հավելում կողմնակալ տվյալների համար՝ պիտակի աղմուկով, մասշտաբային հավանականական անուղղակի տարբերակման միջոցով
Մենք ուրախ ենք նաև տեղեկացնել, որ մենք մշակել ենք մեքենայական ուսուցման նոր տեխնոլոգիա, որն ավտոմատ կերպով իրականացնում է տվյալների օպտիմալ ավելացում՝ ըստ ուսուցման տվյալների բաշխման: Այս տեխնոլոգիան կարող է կիրառվել իրական աշխարհի իրավիճակներում, որտեղ առկա տվյալները շատ փոքր են: Կան բազմաթիվ դեպքեր մեր հիմնական բիզնես ոլորտներում, որտեղ դժվար է կիրառել AI տեխնոլոգիա՝ առկա տվյալների սահմանափակության պատճառով: Կիրառելով այս տեխնոլոգիան՝ տվյալների ավելացման պարամետրերի թյունինգի գործընթացը կարող է վերացվել, և պարամետրերը կարող են ավտոմատ կերպով ճշգրտվել: Հետևաբար, կարելի է ակնկալել, որ AI տեխնոլոգիայի կիրառական շրջանակը կարող է ավելի լայն տարածում ունենալ։ Ապագայում, հետագայում արագացնելով այս տեխնոլոգիայի հետազոտությունն ու զարգացումը, մենք կաշխատենք իրականացնել AI տեխնոլոգիա, որը կարող է օգտագործվել իրական միջավայրում, ինչպիսիք են ծանոթ սարքերը և համակարգերը: Այս տեխնոլոգիան արդյունք է Ամերիկայի Panasonic R&D ընկերության Digital AI Technology Center-ի, Technology Division-ի, AI Laboratory-ի կողմից իրականացված հետազոտության:
Նկար 2. AutoDO-ն լուծում է տվյալների ավելացման խնդիրը (Shared-policy DA երկընտրանք): ընդլայնված գնացքի տվյալների բաշխումը (գծիկ կապույտ) կարող է չհամընկնել փորձարկման տվյալների հետ (պինդ կարմիր) թաքնված տարածության մեջ.
«2»-ը թերաճեցված է, մինչդեռ «5»-ը՝ գերակշռված։ Արդյունքում, նախորդ մեթոդները չեն կարող համապատասխանել թեստային բաշխմանը, և սովորած դասակարգչի f(θ) որոշումը ճշգրիտ չէ:
Այս տեխնոլոգիաների մանրամասները կներկայացվեն CVPR2021-ում (անցկացվելու է 2017թ. հունիսի 19-ից):
Վերևում հաղորդագրությունը ստացվել է Panasonic-ի պաշտոնական կայքից:
Հրապարակման ժամանակը՝ հունիս-03-2021
