Panasonic İki Gelişmiş Yapay Zeka Teknolojisi Geliştiriyor,
CVPR2021'e kabul edildi,
Dünyanın Lider Uluslararası Yapay Zeka Teknolojisi Konferansı
[1] Ev Eylem Genomu: Karşıt Kompozisyonel Eylem Anlayışı
Kameralar, mikrofonlar ve termal sensörler gibi çeşitli sensörler kullanarak insanların evlerindeki günlük aktivitelerini toplayan yeni bir veri seti olan "Ev Eylem Genomu" geliştirdiğimizi duyurmaktan mutluluk duyuyoruz. Yaşam alanları için dünyanın en büyük çok modlu veri setini oluşturduk ve yayınladık, yaşam alanları için çoğu veri seti küçük ölçekliydi. Bu veri setini uygulayarak, yapay zeka araştırmacıları bunu yaşam alanlarındaki insanları desteklemek için makine öğrenimi ve yapay zeka araştırması için eğitim verisi olarak kullanabilirler.
Yukarıdakilere ek olarak, çok modlu ve çoklu bakış açılarında hiyerarşik aktivite tanıma için bir işbirlikçi öğrenme teknolojisi geliştirdik. Bu teknolojiyi uygulayarak, farklı bakış açıları, sensörler, hiyerarşik davranışlar ve ayrıntılı davranış etiketleri arasında tutarlı özellikler öğrenebilir ve böylece yaşam alanlarındaki karmaşık aktivitelerin tanıma performansını iyileştirebiliriz.
Bu teknoloji, Stanford Üniversitesi Dijital Yapay Zeka Teknoloji Merkezi, Teknoloji Bölümü ve Stanford Vizyon ve Öğrenme Laboratuvarı işbirliğiyle yürütülen araştırmanın sonucudur.
Şekil 1: İşbirlikçi Kompozisyonel Eylem Anlayışı (CCAU) Tüm modaliteleri birlikte işbirlikçi bir şekilde eğitmek, gelişmiş performans görmemizi sağlar.
Hem video düzeyinde hem de atomik eylem etiketlerini kullanarak eğitimden yararlanıyoruz; böylece hem videoların hem de atomik eylemlerin ikisi arasındaki kompozisyonel etkileşimlerden faydalanmasını sağlıyoruz.
[2] AutoDO: Ölçeklenebilir Olasılıksal Kapalı Türevleme ile Etiket Gürültüsü Olan Önyargılı Veriler için Sağlam Otomatik Artırma
Ayrıca, eğitim verilerinin dağılımına göre otomatik olarak optimum veri artırımı gerçekleştiren yeni bir makine öğrenimi teknolojisi geliştirdiğimizi duyurmaktan mutluluk duyuyoruz. Bu teknoloji, mevcut verilerin çok küçük olduğu gerçek dünya durumlarına uygulanabilir. Ana iş alanlarımızda, mevcut verilerin sınırlamaları nedeniyle AI teknolojisini uygulamanın zor olduğu birçok durum vardır. Bu teknolojiyi uygulayarak, veri artırma parametrelerinin ayarlama süreci ortadan kaldırılabilir ve parametreler otomatik olarak ayarlanabilir. Bu nedenle, AI teknolojisinin uygulama aralığının daha da genişleyebileceği beklenebilir. Gelecekte, bu teknolojinin araştırma ve geliştirmesini daha da hızlandırarak, tanıdık cihazlar ve sistemler gibi gerçek dünya ortamlarında kullanılabilecek AI teknolojisini gerçekleştirmek için çalışacağız. Bu teknoloji, Panasonic Ar-Ge Şirketi Amerika AI Laboratuvarı, Teknoloji Bölümü, Dijital AI Teknoloji Merkezi tarafından yürütülen araştırmanın sonucudur.
Şekil 2: AutoDO, veri artırma sorununu çözer (Paylaşılan politika DA ikilemi). Artırılmış eğitim verilerinin dağılımı (kesikli mavi) gizli uzaydaki test verileriyle (düz kırmızı) eşleşmeyebilir:
"2" yetersiz artırılmışken, "5" aşırı artırılmıştır. Sonuç olarak, önceki yöntemler test dağılımına uyamaz ve öğrenilmiş sınıflandırıcı f(θ)'nin kararı yanlıştır.
Bu teknolojilerin detayları CVPR2021'de (19 Haziran 2017'de düzenlenecek) sunulacaktır.
Yukarıdaki mesaj Panasonic resmi web sitesinden gelmektedir!
Gönderi zamanı: 03-Haz-2021
