Panasonic-ი ხელოვნური ინტელექტის ორ მოწინავე ტექნოლოგიას ავითარებს
მიღებულია CVPR2021-ზე,
მსოფლიოში წამყვანი საერთაშორისო ხელოვნური ინტელექტის ტექნოლოგიების კონფერენცია
[1] სახლის მოქმედების გენომი: კონტრასტული კომპოზიციური მოქმედების გაგება
სიამოვნებით გაცნობებთ, რომ შევიმუშავეთ ახალი მონაცემთა ნაკრები „სახლის მოქმედების გენომი“, რომელიც აგროვებს ადამიანის ყოველდღიურ აქტივობებს მათ სახლებში რამდენიმე ტიპის სენსორის გამოყენებით, მათ შორის კამერების, მიკროფონების და თერმული სენსორების. ჩვენ შევქმენით და გამოვუშვით მსოფლიოში უდიდესი მულტიმოდალური მონაცემთა ნაკრები საცხოვრებელი სივრცეებისთვის, მაშინ როდესაც საცხოვრებელი სივრცეების მონაცემთა ნაკრებების უმეტესობა მცირე მასშტაბისაა. ამ მონაცემთა ნაკრების გამოყენებით, ხელოვნური ინტელექტის მკვლევარებს შეუძლიათ გამოიყენონ იგი, როგორც სასწავლო მონაცემები მანქანური სწავლებისა და ხელოვნური ინტელექტის კვლევისთვის, რათა მხარი დაუჭირონ საცხოვრებელ სივრცეში მყოფ ადამიანებს.
ზემოაღნიშნულის გარდა, ჩვენ შევიმუშავეთ თანამშრომლობითი სწავლების ტექნოლოგია მულტიმოდალურ და მრავალჯერად ხედვაში იერარქიული აქტივობის ამოცნობისთვის. ამ ტექნოლოგიის გამოყენებით, ჩვენ შეგვიძლია ვისწავლოთ თანმიმდევრული მახასიათებლები სხვადასხვა ხედვასა და სენსორებს შორის, იერარქიული ქცევები და დეტალური ქცევითი იარლიყები და ამით გავაუმჯობესოთ საცხოვრებელ სივრცეებში რთული აქტივობების ამოცნობის ეფექტურობა.
ეს ტექნოლოგია სტენფორდის უნივერსიტეტის ციფრული ხელოვნური ინტელექტის ტექნოლოგიების ცენტრის, ტექნოლოგიების განყოფილებისა და სტენფორდის ხედვისა და სწავლების ლაბორატორიას შორის თანამშრომლობით ჩატარებული კვლევის შედეგია.
სურათი 1: კოოპერატიული კომპოზიციური მოქმედების გაგება (CCAU). ყველა მოდალობის ერთად კოოპერატიული სწავლება საშუალებას გვაძლევს დავინახოთ გაუმჯობესებული შესრულება.
ჩვენ ვიყენებთ ტრენინგს როგორც ვიდეო დონის, ასევე ატომური მოქმედების იარლიყების გამოყენებით, რათა როგორც ვიდეოებმა, ასევე ატომურმა მოქმედებებმა ისარგებლონ ამ ორს შორის კომპოზიციური ურთიერთქმედებით.
[2] AutoDO: მიკერძოებული მონაცემების საიმედო ავტოგადიდება ეტიკეტის ხმაურით მასშტაბირებადი ალბათური იმპლიციტური დიფერენციაციის გზით
ასევე სიამოვნებით გაცნობებთ, რომ შევიმუშავეთ ახალი მანქანური სწავლების ტექნოლოგია, რომელიც ავტომატურად ახორციელებს ოპტიმალურ მონაცემთა დამატებას სასწავლო მონაცემების განაწილების მიხედვით. ეს ტექნოლოგია შეიძლება გამოყენებულ იქნას რეალურ სიტუაციებში, სადაც ხელმისაწვდომი მონაცემები ძალიან მცირეა. ჩვენს ძირითად ბიზნეს სფეროებში ბევრი შემთხვევაა, როდესაც ხელოვნური ინტელექტის ტექნოლოგიის გამოყენება რთულია ხელმისაწვდომი მონაცემების შეზღუდვების გამო. ამ ტექნოლოგიის გამოყენებით, შესაძლებელია მონაცემთა გაზრდის პარამეტრების რეგულირების პროცესის აღმოფხვრა და პარამეტრების ავტომატურად რეგულირება. ამიტომ, შეიძლება ველოდოთ, რომ ხელოვნური ინტელექტის ტექნოლოგიის გამოყენების დიაპაზონი უფრო ფართოდ გავრცელდება. მომავალში, ამ ტექნოლოგიის კვლევისა და განვითარების შემდგომი დაჩქარებით, ჩვენ ვიმუშავებთ ხელოვნური ინტელექტის ტექნოლოგიის შექმნაზე, რომლის გამოყენებაც შესაძლებელია რეალურ გარემოში, როგორიცაა ნაცნობი მოწყობილობები და სისტემები. ეს ტექნოლოგია არის Panasonic R&D Company of America-ს ხელოვნური ინტელექტის ლაბორატორიის ციფრული ხელოვნური ინტელექტის ტექნოლოგიების ცენტრის ტექნოლოგიური განყოფილების მიერ ჩატარებული კვლევის შედეგი.
სურათი 2: AutoDO წყვეტს მონაცემთა გაფართოების პრობლემას (საერთო პოლიტიკის DA დილემა). გაფართოებული მატარებლის მონაცემების განაწილება (წყვეტილი ლურჯი) შეიძლება არ ემთხვეოდეს ლატენტურ სივრცეში ტესტის მონაცემებს (მუდმივი წითელი):
„2“ არასაკმარისად გადიდებულია, ხოლო „5“ ზედმეტად გადიდებულია. შედეგად, წინა მეთოდები ვერ ემთხვევა ტესტის განაწილებას და შესწავლილი კლასიფიკატორის f(θ) გადაწყვეტილება არაზუსტია.
ამ ტექნოლოგიების დეტალები წარმოდგენილი იქნება CVPR2021-ზე (რომელიც 2017 წლის 19 ივნისიდან გაიმართება).
ზემოთ მოცემული შეტყობინება Panasonic-ის ოფიციალური ვებგვერდიდან არის აღებული!
გამოქვეყნების დრო: 2021 წლის 3 ივნისი
