Panasonic- ը մշակում է AI- ի առաջադեմ երկու տեխնոլոգիաներ,
Ընդունվել է CVPR2021- ին,
Աշխարհի AI տեխնոլոգիական աշխարհի առաջատար համաժողովը
[1] Գլխավոր Գործողություն Գենոմ. Հակավոր կոմպոզիցիոն գործողությունների հասկացողություն
Ուրախ ենք տեղեկացնել, որ մենք մշակել ենք «Տնային գործողություն գենոմ» նոր տվյալների շտեմարան, որը հավաքում է մարդու ամենօրյա գործունեությունը իրենց տներում, օգտագործելով սենսորների մի քանի տեսակներ, ներառյալ տեսախցիկներ, խոսափողներ եւ ջերմային ցուցիչներ: Մենք կառուցել եւ հրապարակել ենք աշխարհի ամենամեծ բազմամոդալ տվյալների բազա բնակելի տարածքների համար, մինչդեռ բնակելի տարածքների տվյալների բազաներից շատերը մասշտաբ են եղել: Դիմելով այս տվյալների բազան, AI հետազոտողները կարող են այն օգտագործել որպես մարզման տվյալներ մեքենայի ուսուցման եւ AI հետազոտության համար `բնակելի տարածքում մարդկանց աջակցելու համար:
Վերոնշյալից բացի, մենք մշակել ենք համագործակցային ուսուցման տեխնոլոգիա `բազմամոդական եւ բազմաթիվ տեսակետներում հիերարխիկ գործունեության ճանաչման համար: Դիմելով այս տեխնոլոգիան, մենք կարող ենք սովորել հետեւողական հատկություններ տարբեր տեսակետների, սենսորների, հիերարխիկ վարքագծի եւ վարքի մանրամասն պիտակների միջեւ եւ դրանով իսկ բարելավել բնակելի տարածքներում բարդ գործունեության ճանաչման կատարումը:
Այս տեխնոլոգիան Ստանֆորդի համալսարանում Ստանֆորդի համալսարանում թվային AI տեխնոլոգիական կենտրոնի, տեխնոլոգիական բաժանմունքի եւ ուսուցման լաբորատորիայի միջեւ համագործակցությամբ իրականացված հետազոտությունների արդյունք է:
Գծապատկեր 1. Կոոպերատիվի կոմպոզիցիոն գործողությունների փոխըմբռնում (CCAU) Համագործակցապես վերապատրաստում Բոլոր մոդալները թույլ են տալիս մեզ տեսնել բարելավված կատարում:
Մենք օգտագործում ենք դասընթացներ, օգտագործելով ինչպես վիդեո մակարդակի, այնպես էլ ատոմային գործողությունների պիտակների, որպեսզի թույլ տան ինչպես տեսանյութերը, այնպես էլ ատոմային գործողությունները `երկուսի միջեւ կոմպոզիցիոն փոխազդեցություններից օգտվելու համար:
[2] Autodo. Ամուր ավտոուռներ կողմնակալ տվյալների համար պիտակի աղմուկի միջոցով `փոփոխական հավանականությամբ ենթադրյալ տարբերակման միջոցով
Մենք ուրախ ենք նաեւ տեղեկացնել, որ մենք մշակել ենք նոր մեքենայի ուսուցման տեխնոլոգիա, որն ինքնաբերաբար կատարում է տվյալների օպտիմալ ուժեղացում `ուսումնական տվյալների բաշխման համաձայն: Այս տեխնոլոգիան կարող է կիրառվել իրական աշխարհի իրավիճակներում, որտեղ առկա տվյալները շատ փոքր են: Մեր հիմնական բիզնես ոլորտներում շատ դեպքեր կան, որտեղ դժվար է կիրառել AI տեխնոլոգիան `առկա տվյալների սահմանափակումների պատճառով: Այս տեխնոլոգիան կիրառելով, տվյալների ավելացման պարամետրերի թյունինգի գործընթացը կարող է վերացվել, եւ պարամետրերը կարող են ինքնաբերաբար ճշգրտվել: Հետեւաբար, կարելի է ակնկալել, որ AI տեխնոլոգիայի հայտի տեսականին կարող է տարածվել ավելի լայնորեն: Ապագայում, այս տեխնոլոգիայի ուսումնասիրությունն ու զարգացումը հետագայում արագացնելով, մենք կաշխատենք իրականացնել AI տեխնոլոգիան, որը կարող է օգտագործվել իրական աշխարհի միջավայրում, ինչպիսիք են ծանոթ սարքերը եւ համակարգերը: Այս տեխնոլոգիան հետազոտության արդյունքն է, որն իրականացվում է Ամերիկայի Panasonic R & D ընկերության Digital Ai Technology Center- ի, Technology Division- ի, AI լաբորատորիայի կողմից:
Գծապատկեր 2. Ավտոդոն լուծում է տվյալների ավելացման խնդիրը (ընդհանուր քաղաքականություն da dilemma):
«2» -ը ուժեղացված է, իսկ «5» -ը գերագնահատվում է: Արդյունքում, նախնական մեթոդները չեն կարող համընկնել թեստի բաշխմանը, եւ սովորած դասակարգիչ F () որոշումը անճիշտ է:
Այս տեխնոլոգիաների մանրամասները կներկայացվեն CVPR2021- ում (անցկացվելու է 2017-ի հունիսի 19-ից):
Վերը նշված հաղորդագրությունը գալիս է Panasonic- ի պաշտոնական կայքից:
Փոստի ժամանակը, JUN-03-2021
