Panasonic-ը մշակում է արհեստական բանականության երկու առաջադեմ տեխնոլոգիա,
Ընդունվել է CVPR2021-ում,
Աշխարհի առաջատար միջազգային արհեստական բանականության տեխնոլոգիաների համաժողով
[1] Տնային գործողությունների գենոմ. Հակադրական կոմպոզիցիոն գործողությունների հասկացողություն
Ուրախ ենք հայտարարել, որ մշակել ենք «Տնային գործողությունների գենոմ» նոր տվյալների հավաքածու, որը հավաքում է մարդկանց առօրյա գործունեությունը իրենց տներում՝ օգտագործելով մի քանի տեսակի սենսորներ, այդ թվում՝ տեսախցիկներ, միկրոֆոններ և ջերմային սենսորներ: Մենք կառուցել և թողարկել ենք բնակելի տարածքների համար աշխարհի ամենամեծ բազմամոդալ տվյալների հավաքածուն, մինչդեռ բնակելի տարածքների տվյալների մեծ մասը փոքր մասշտաբի է եղել: Այս տվյալների հավաքածուն կիրառելով՝ արհեստական բանականության հետազոտողները կարող են այն օգտագործել որպես ուսումնական տվյալներ մեքենայական ուսուցման և արհեստական բանականության հետազոտությունների համար՝ բնակելի տարածքում գտնվող մարդկանց աջակցելու համար:
Բացի վերը նշվածից, մենք մշակել ենք համագործակցային ուսուցման տեխնոլոգիա՝ բազմամոդալ և բազմակի տեսանկյուններում հիերարխիկ գործունեության ճանաչման համար: Այս տեխնոլոգիան կիրառելով՝ մենք կարող ենք սովորել տարբեր տեսանկյունների, սենսորների, հիերարխիկ վարքագծերի և մանրամասն վարքագծի պիտակների միջև համապատասխան առանձնահատկություններ և այդպիսով բարելավել բնակելի տարածքներում բարդ գործունեության ճանաչման արդյունավետությունը:
Այս տեխնոլոգիան Սթենֆորդի համալսարանի թվային արհեստական բանականության տեխնոլոգիաների կենտրոնի տեխնոլոգիական բաժնի և Սթենֆորդի տեսլականի և ուսուցման լաբորատորիայի միջև համագործակցությամբ անցկացված հետազոտության արդյունք է։
Նկար 1. Համագործակցային կոմպոզիցիոն գործողությունների փոխըմբռնում (CCAU): Բոլոր մեթոդների համատեղ մարզումը թույլ է տալիս տեսնել բարելավված կատարողականություն:
Մենք օգտագործում ենք թե՛ տեսանյութի մակարդակի, թե՛ ատոմային գործողությունների պիտակների միջոցով մարզում, որպեսզի թե՛ տեսանյութերը, թե՛ ատոմային գործողությունները օգուտ քաղեն երկուսի միջև կոմպոզիցիոն փոխազդեցություններից։
[2] AutoDO. Հզոր AutoAugment՝ կողմնակալ տվյալների համար՝ պիտակի աղմուկով, մասշտաբային հավանականային ենթադրյալ դիֆերենցիացիայի միջոցով
Մենք նաև ուրախ ենք հայտարարել, որ մշակել ենք մեքենայական ուսուցման նոր տեխնոլոգիա, որն ավտոմատ կերպով կատարում է տվյալների օպտիմալ լրացում՝ համաձայն ուսումնական տվյալների բաշխման: Այս տեխնոլոգիան կարող է կիրառվել իրական աշխարհի իրավիճակներում, որտեղ առկա տվյալները շատ փոքր են: Մեր հիմնական գործունեության ոլորտներում կան բազմաթիվ դեպքեր, երբ դժվար է կիրառել արհեստական բանականության տեխնոլոգիան՝ առկա տվյալների սահմանափակումների պատճառով: Այս տեխնոլոգիան կիրառելով՝ կարելի է վերացնել տվյալների լրացման պարամետրերի կարգավորման գործընթացը, և պարամետրերը կարող են ավտոմատ կերպով կարգավորվել: Հետևաբար, կարելի է ակնկալել, որ արհեստական բանականության տեխնոլոգիայի կիրառման շրջանակը կարող է ավելի լայն տարածում գտնել: Ապագայում, այս տեխնոլոգիայի հետազոտություններն ու մշակումը հետագայում արագացնելով, մենք կաշխատենք ստեղծել արհեստական բանականության տեխնոլոգիա, որը կարող է օգտագործվել իրական աշխարհի միջավայրերում, ինչպիսիք են ծանոթ սարքերն ու համակարգերը: Այս տեխնոլոգիան Panasonic R&D Company of America-ի արհեստական բանականության լաբորատորիայի թվային արհեստական բանականության տեխնոլոգիաների կենտրոնի տեխնոլոգիական բաժնի կողմից անցկացված հետազոտության արդյունք է:
Նկար 2. AutoDO-ն լուծում է տվյալների լրացման խնդիրը (համօգտագործվող քաղաքականության DA դիլեմա): Լրացված գնացքի տվյալների բաշխումը (կապույտ կետավոր) կարող է չհամապատասխանել թաքնված տարածքում գտնվող թեստային տվյալներին (պինդ կարմիր):
«2»-ը թերարժեքացված է, մինչդեռ «5»-ը՝ գերարժեքավորված։ Արդյունքում, նախորդ մեթոդները չեն կարող համապատասխանել թեստային բաշխմանը, և ստացված դասակարգչի f(θ) որոշումը ճշգրիտ չէ։
Այս տեխնոլոգիաների մանրամասները կներկայացվեն CVPR2021-ում (կկայանա 2017 թվականի հունիսի 19-ից):
Վերոնշյալ հաղորդագրությունը վերցված է Panasonic-ի պաշտոնական կայքից։
Հրապարակման ժամանակը. Հունիս-03-2021
