Panasonic ພັດທະນາສອງເຕັກໂນໂລຊີ AI ຂັ້ນສູງ,
ຍອມຮັບກັບ CVPR2021,
ກອງປະຊຸມເຕັກໂນໂລຊີ AI ສາກົນຊັ້ນນໍາຂອງໂລກ
[1] Home Action Genome: ຄວາມເຂົ້າໃຈກ່ຽວກັບການປະຕິບັດອົງປະກອບທາງກົງກັນຂ້າມ
ພວກເຮົາຍິນດີທີ່ຈະປະກາດວ່າພວກເຮົາໄດ້ພັດທະນາຊຸດຂໍ້ມູນໃຫມ່ "Home Action Genome" ທີ່ເກັບກໍາກິດຈະກໍາປະຈໍາວັນຂອງມະນຸດຢູ່ໃນເຮືອນຂອງພວກເຂົາໂດຍໃຊ້ເຊັນເຊີຫຼາຍປະເພດ, ລວມທັງກ້ອງຖ່າຍຮູບ, ໄມໂຄໂຟນແລະເຊັນເຊີຄວາມຮ້ອນ. ພວກເຮົາໄດ້ສ້າງແລະປ່ອຍຊຸດຂໍ້ມູນ multimodal ທີ່ໃຫຍ່ທີ່ສຸດຂອງໂລກສໍາລັບພື້ນທີ່ດໍາລົງຊີວິດ, ໃນຂະນະທີ່ຊຸດຂໍ້ມູນສ່ວນໃຫຍ່ສໍາລັບພື້ນທີ່ດໍາລົງຊີວິດແມ່ນມີຂະຫນາດນ້ອຍ. ໂດຍການນໍາໃຊ້ຊຸດຂໍ້ມູນນີ້, ນັກຄົ້ນຄວ້າ AI ສາມາດນໍາໃຊ້ມັນເປັນຂໍ້ມູນການຝຶກອົບຮົມສໍາລັບການຮຽນຮູ້ເຄື່ອງຈັກແລະການຄົ້ນຄວ້າ AI ເພື່ອສະຫນັບສະຫນູນປະຊາຊົນໃນພື້ນທີ່ດໍາລົງຊີວິດ.
ນອກເຫນືອໄປຈາກຂ້າງເທິງ, ພວກເຮົາໄດ້ພັດທະນາເຕັກໂນໂລຢີການຮຽນຮູ້ແບບຮ່ວມມືສໍາລັບການຮັບຮູ້ກິດຈະກໍາລໍາດັບຊັ້ນໃນ multimodal ແລະຫຼາຍ viewpoints. ໂດຍການນໍາໃຊ້ເຕັກໂນໂລຢີນີ້, ພວກເຮົາສາມາດຮຽນຮູ້ລັກສະນະທີ່ສອດຄ່ອງກັນລະຫວ່າງມຸມເບິ່ງ, ເຊັນເຊີ, ພຶດຕິກໍາແບບລໍາດັບຊັ້ນ, ແລະປ້າຍພຶດຕິກໍາທີ່ລະອຽດ, ແລະດັ່ງນັ້ນຈຶ່ງປັບປຸງການປະຕິບັດການຮັບຮູ້ຂອງກິດຈະກໍາທີ່ສັບສົນໃນສະຖານທີ່ດໍາລົງຊີວິດ.
ເທກໂນໂລຍີນີ້ແມ່ນຜົນຂອງການຄົ້ນຄວ້າທີ່ດໍາເນີນໃນການຮ່ວມມືລະຫວ່າງສູນ Digital AI Technology, ພະແນກເຕັກໂນໂລຢີ, ແລະ Stanford Vision ແລະ Learning Lab ຢູ່ມະຫາວິທະຍາໄລ Stanford.
ຮູບທີ 1: ຄວາມເຂົ້າໃຈກ່ຽວກັບການປະຕິບັດອົງປະກອບຂອງການຮ່ວມມື (CCAU) ການຝຶກອົບຮົມແບບຮ່ວມມືກັນທັງໝົດເຮັດໃຫ້ພວກເຮົາເຫັນປະສິດທິພາບທີ່ດີຂຶ້ນ.
ພວກເຮົານໍາໃຊ້ການຝຶກອົບຮົມໂດຍນໍາໃຊ້ທັງສອງລະດັບວິດີໂອແລະປ້າຍປະຕິບັດງານປະລໍາມະນູເພື່ອໃຫ້ທັງສອງວິດີໂອແລະການປະຕິບັດປະລໍາມະນູໄດ້ຮັບຜົນປະໂຫຍດຈາກປະຕິສໍາພັນອົງປະກອບລະຫວ່າງສອງ.
[2] AutoDO: ການເພີ່ມອັດຕະໂນມັດທີ່ແຂງແຮງສໍາລັບຂໍ້ມູນທີ່ມີອະຄະຕິດ້ວຍສິ່ງລົບກວນຂອງປ້າຍກຳກັບຜ່ານຄວາມແຕກຕ່າງທີ່ອາດສາມາດຂະຫຍາຍໄດ້.
ພວກເຮົາຍັງຍິນດີທີ່ຈະປະກາດວ່າພວກເຮົາໄດ້ພັດທະນາເຕັກໂນໂລຊີການຮຽນຮູ້ເຄື່ອງຈັກໃຫມ່ທີ່ປະຕິບັດການເພີ່ມຂໍ້ມູນທີ່ດີທີ່ສຸດໂດຍອັດຕະໂນມັດຕາມການແຈກຢາຍຂໍ້ມູນການຝຶກອົບຮົມ. ເທກໂນໂລຍີນີ້ສາມາດຖືກນໍາໃຊ້ກັບສະຖານະການຂອງໂລກທີ່ແທ້ຈິງ, ບ່ອນທີ່ຂໍ້ມູນທີ່ມີຢູ່ແມ່ນມີຫນ້ອຍຫຼາຍ. ມີຫຼາຍກໍລະນີໃນຂົງເຂດທຸລະກິດຕົ້ນຕໍຂອງພວກເຮົາ, ບ່ອນທີ່ມັນຍາກທີ່ຈະນໍາໃຊ້ເຕັກໂນໂລຢີ AI ເນື່ອງຈາກຂໍ້ຈໍາກັດຂອງຂໍ້ມູນທີ່ມີຢູ່. ໂດຍການນໍາໃຊ້ເຕັກໂນໂລຢີນີ້, ຂະບວນການປັບຕົວກໍານົດການເພີ່ມຂໍ້ມູນສາມາດຖືກລົບລ້າງ, ແລະຕົວກໍານົດການສາມາດປັບໄດ້ໂດຍອັດຕະໂນມັດ. ດັ່ງນັ້ນ, ມັນສາມາດຄາດຫວັງວ່າລະດັບຄໍາຮ້ອງສະຫມັກຂອງເຕັກໂນໂລຢີ AI ສາມາດແຜ່ຂະຫຍາຍຢ່າງກວ້າງຂວາງ. ໃນອະນາຄົດ, ໂດຍການເລັ່ງການຄົ້ນຄວ້າແລະການພັດທະນາເຕັກໂນໂລຢີນີ້ຕື່ມອີກ, ພວກເຮົາຈະເຮັດວຽກເພື່ອຮັບຮູ້ເຕັກໂນໂລຢີ AI ທີ່ສາມາດຖືກນໍາໃຊ້ໃນສະພາບແວດລ້ອມທີ່ແທ້ຈິງເຊັ່ນອຸປະກອນແລະລະບົບທີ່ຄຸ້ນເຄີຍ. ເທັກໂນໂລຍີນີ້ແມ່ນຜົນຂອງການຄົ້ນຄວ້າທີ່ດໍາເນີນໂດຍສູນ Digital AI Technology, ພະແນກເຕັກໂນໂລຢີ, ຫ້ອງທົດລອງ AI ຂອງບໍລິສັດ Panasonic R&D ຂອງອາເມລິກາ.
ຮູບທີ 2: AutoDO ແກ້ໄຂບັນຫາການເພີ່ມຂໍ້ມູນ (ການແບ່ງແຍກນະໂຍບາຍ DA). ການແຈກຢາຍຂໍ້ມູນລົດໄຟທີ່ເພີ່ມຂຶ້ນ (ຂີດສີຟ້າ) ອາດຈະບໍ່ກົງກັບຂໍ້ມູນການທົດສອບ (ສີແດງແຂງ) ໃນຊ່ອງວ່າງ:
"2" ແມ່ນ under-augmented, ໃນຂະນະທີ່ "5" ແມ່ນ overaugmented. ດັ່ງນັ້ນ, ວິທີການທີ່ຜ່ານມາບໍ່ສາມາດກົງກັບການແຈກຢາຍການທົດສອບແລະການຕັດສິນໃຈຂອງການຈັດປະເພດທີ່ຮຽນຮູ້ f(θ) ບໍ່ຖືກຕ້ອງ.
ລາຍລະອຽດຂອງເຕັກໂນໂລຢີເຫຼົ່ານີ້ຈະຖືກນໍາສະເຫນີຢູ່ທີ່ CVPR2021 (ຈະຈັດຂຶ້ນໃນວັນທີ 19 ເດືອນມິຖຸນາ 2017).
ຂໍ້ຄວາມຂ້າງເທິງແມ່ນມາຈາກເວັບໄຊທ໌ທາງການຂອງ Panasonic!
ເວລາປະກາດ: 03-03-2021
