Panasonic ავითარებს ორ მოწინავე AI ტექნოლოგიას,
მიღებულია CVPR2021,
მსოფლიოში წამყვანი საერთაშორისო AI ტექნოლოგიების კონფერენცია

[1] მთავარი მოქმედების გენომი: კონტრასტული კომპოზიციური მოქმედების გაგება

მოხარული ვართ განვაცხადოთ, რომ ჩვენ შევიმუშავეთ მონაცემთა ახალი ნაკრები "Home Action Genome", რომელიც აგროვებს ადამიანის ყოველდღიურ საქმიანობას მათ სახლებში რამდენიმე ტიპის სენსორების გამოყენებით, მათ შორის კამერები, მიკროფონები და თერმული სენსორები. ჩვენ შევქმენით და გამოვაქვეყნეთ მსოფლიოში ყველაზე დიდი მულტიმოდალური მონაცემთა ბაზა საცხოვრებელი ფართებისთვის, მაშინ როცა საცხოვრებელი ფართებისთვის მონაცემთა ნაკრების უმეტესობა მცირე მასშტაბის იყო. ამ მონაცემთა ნაკრების გამოყენებით, ხელოვნური ინტელექტის მკვლევარებს შეუძლიათ გამოიყენონ ის, როგორც ტრენინგის მონაცემები მანქანათმცოდნეობისა და ხელოვნური ინტელექტის კვლევისთვის, რათა დაეხმაროს ადამიანებს საცხოვრებელ სივრცეში.

გარდა ზემოაღნიშნულისა, ჩვენ შევიმუშავეთ თანამშრომლობითი სწავლის ტექნოლოგია იერარქიული აქტივობების ამოცნობისთვის მულტიმოდალური და მრავალმხრივი თვალსაზრისით. ამ ტექნოლოგიის გამოყენებით, ჩვენ შეგვიძლია ვისწავლოთ თანმიმდევრული მახასიათებლები სხვადასხვა თვალსაზრისს, სენსორებს, იერარქიულ ქცევებს და ქცევის დეტალურ ეტიკეტებს შორის და ამით გავაუმჯობესოთ კომპლექსური აქტივობების ამოცნობის შესრულება საცხოვრებელ სივრცეებში.
ეს ტექნოლოგია არის კვლევის შედეგი, რომელიც ჩატარდა ციფრული ხელოვნური ინტელექტის ტექნოლოგიის ცენტრის, ტექნოლოგიების განყოფილებისა და სტენფორდის უნივერსიტეტის ხედვისა და სწავლის ლაბორატორიის თანამშრომლობით.

სურათი 1: ერთობლივი კომპოზიციური მოქმედების გაგება (CCAU) ყველა მოდალობის ერთობლივი სწავლება საშუალებას გვაძლევს დავინახოთ გაუმჯობესებული შესრულება.
ჩვენ ვიყენებთ ტრენინგს, როგორც ვიდეო დონის, ასევე ატომური მოქმედების ეტიკეტების გამოყენებით, რათა ვიდეოებმაც და ატომურმა მოქმედებებმაც ისარგებლონ ამ ორს შორის კომპოზიციური ურთიერთქმედებით.

[2] AutoDO: ძლიერი ავტომატური გაძლიერება მიკერძოებული მონაცემებისთვის ლეიბლის ხმაურით მასშტაბირებადი ალბათური იმპლიციტური დიფერენციაციის საშუალებით

ჩვენ ასევე მოხარულნი ვართ განვაცხადოთ, რომ ჩვენ შევიმუშავეთ მანქანათმცოდნეობის ახალი ტექნოლოგია, რომელიც ავტომატურად ახორციელებს მონაცემთა ოპტიმალურ გაზრდას ტრენინგის მონაცემების განაწილების მიხედვით. ეს ტექნოლოგია შეიძლება გამოყენებულ იქნას რეალურ სამყაროში სიტუაციებში, სადაც ხელმისაწვდომი მონაცემები ძალიან მცირეა. არის ბევრი შემთხვევა ჩვენს ძირითად ბიზნეს სფეროებში, სადაც რთულია ხელოვნური ინტელექტის ტექნოლოგიის გამოყენება ხელმისაწვდომი მონაცემების შეზღუდვის გამო. ამ ტექნოლოგიის გამოყენებით, მონაცემთა გაზრდის პარამეტრების დარეგულირების პროცესი შეიძლება აღმოიფხვრას და პარამეტრების ავტომატურად რეგულირება. აქედან გამომდინარე, მოსალოდნელია, რომ AI ტექნოლოგიის გამოყენების სპექტრი შეიძლება უფრო ფართოდ გავრცელდეს. მომავალში, ამ ტექნოლოგიის კვლევისა და განვითარების შემდგომი დაჩქარებით, ჩვენ ვიმუშავებთ AI ტექნოლოგიის რეალიზებაზე, რომელიც შეიძლება გამოყენებულ იქნას რეალურ სამყაროში, როგორიცაა ნაცნობი მოწყობილობები და სისტემები. ეს ტექნოლოგია არის კვლევის შედეგი, რომელიც ჩატარდა ციფრული AI ტექნოლოგიური ცენტრის, ტექნოლოგიების განყოფილების, AI ლაბორატორიის Panasonic R&D კომპანიის ამერიკის შეერთებული შტატების მიერ.

სურათი 2: AutoDO წყვეტს მონაცემთა გაზრდის პრობლემას (Shared-policy DA დილემა). მატარებლის გაძლიერებული მონაცემების განაწილება (დაჭრილი ლურჯი) შეიძლება არ ემთხვეოდეს ტესტის მონაცემებს (მყარი წითელი) ლატენტურ სივრცეში:
"2" არასაკმარისად არის გაზრდილი, ხოლო "5" ზედმეტად. შედეგად, წინა მეთოდები ვერ ემთხვევა ტესტის განაწილებას და ნასწავლი კლასიფიკატორის f(θ) გადაწყვეტილება არაზუსტია.