పానాసోనిక్ రెండు అధునాతన AI సాంకేతికతలను అభివృద్ధి చేసింది,
CVPR2021కి ఆమోదించబడింది,
ప్రపంచంలోని ప్రముఖ అంతర్జాతీయ AI టెక్నాలజీ కాన్ఫరెన్స్

[1] హోమ్ యాక్షన్ జీనోమ్: కాంట్రాస్టివ్ కంపోజిషనల్ యాక్షన్ అండర్‌స్టాండింగ్

కెమెరాలు, మైక్రోఫోన్‌లు మరియు థర్మల్ సెన్సార్‌లతో సహా అనేక రకాల సెన్సార్‌లను ఉపయోగించి వారి ఇళ్లలో మానవుల రోజువారీ కార్యకలాపాలను సేకరించే కొత్త డేటాసెట్ "హోమ్ యాక్షన్ జీనోమ్"ని మేము అభివృద్ధి చేసాము అని ప్రకటించడానికి మేము సంతోషిస్తున్నాము. మేము నివసించే ప్రదేశాల కోసం ప్రపంచంలోనే అతిపెద్ద మల్టీమోడల్ డేటాసెట్‌ను రూపొందించాము మరియు విడుదల చేసాము, అయితే లివింగ్ స్పేస్‌ల కోసం చాలా డేటాసెట్‌లు స్కేల్‌లో చిన్నవిగా ఉన్నాయి. ఈ డేటాసెట్‌ని వర్తింపజేయడం ద్వారా, AI పరిశోధకులు దీనిని మెషిన్ లెర్నింగ్ మరియు AI పరిశోధన కోసం ట్రైనింగ్ డేటాగా ఉపయోగించవచ్చు.

పైన పేర్కొన్న వాటికి అదనంగా, మేము మల్టీమోడల్ మరియు బహుళ దృక్కోణాలలో క్రమానుగత కార్యాచరణ గుర్తింపు కోసం సహకార అభ్యాస సాంకేతికతను అభివృద్ధి చేసాము. ఈ సాంకేతికతను వర్తింపజేయడం ద్వారా, మేము విభిన్న దృక్కోణాలు, సెన్సార్‌లు, క్రమానుగత ప్రవర్తనలు మరియు వివరణాత్మక ప్రవర్తన లేబుల్‌ల మధ్య స్థిరమైన లక్షణాలను నేర్చుకోవచ్చు మరియు తద్వారా నివాస స్థలాలలో సంక్లిష్ట కార్యకలాపాల గుర్తింపు పనితీరును మెరుగుపరచవచ్చు.
ఈ సాంకేతికత డిజిటల్ AI టెక్నాలజీ సెంటర్, టెక్నాలజీ విభాగం మరియు స్టాన్‌ఫోర్డ్ విశ్వవిద్యాలయంలోని స్టాన్‌ఫోర్డ్ విజన్ అండ్ లెర్నింగ్ ల్యాబ్‌ల మధ్య సహకారంతో నిర్వహించిన పరిశోధన ఫలితం.

మూర్తి1: కోఆపరేటివ్ కంపోజిషనల్ యాక్షన్ అండర్‌స్టాండింగ్ (CCAU)సహకార శిక్షణ అన్ని పద్ధతులను కలిపి మెరుగుపరచిన పనితీరును చూడడానికి అనుమతిస్తుంది.
వీడియోలు మరియు పరమాణు చర్యలు రెండింటి మధ్య సంవిధాన పరస్పర చర్యల నుండి ప్రయోజనం పొందేందుకు వీడియో-స్థాయి మరియు అటామిక్ యాక్షన్ లేబుల్‌లను ఉపయోగించి మేము శిక్షణను ఉపయోగిస్తాము.

[2] AutoDO: స్కేలబుల్ ప్రాబబిలిస్టిక్ ఇంప్లిసిట్ డిఫరెన్షియేషన్ ద్వారా లేబుల్ నాయిస్‌తో బయాస్డ్ డేటా కోసం బలమైన ఆటోఆగ్మెంట్

శిక్షణ డేటా పంపిణీకి అనుగుణంగా స్వయంచాలకంగా సరైన డేటాను పెంచే కొత్త మెషీన్ లెర్నింగ్ టెక్నాలజీని మేము అభివృద్ధి చేసాము అని ప్రకటించడానికి కూడా మేము సంతోషిస్తున్నాము. అందుబాటులో ఉన్న డేటా చాలా తక్కువగా ఉన్న వాస్తవ ప్రపంచ పరిస్థితులకు ఈ సాంకేతికతను అన్వయించవచ్చు. మా ప్రధాన వ్యాపార ప్రాంతాలలో అనేక కేసులు ఉన్నాయి, అందుబాటులో ఉన్న డేటా పరిమితుల కారణంగా AI సాంకేతికతను వర్తింపజేయడం కష్టం. ఈ సాంకేతికతను వర్తింపజేయడం ద్వారా, డేటా బలోపేత పారామితుల యొక్క ట్యూనింగ్ ప్రక్రియ తొలగించబడుతుంది మరియు పారామితులను స్వయంచాలకంగా సర్దుబాటు చేయవచ్చు. అందువల్ల, AI సాంకేతికత యొక్క అప్లికేషన్ పరిధి మరింత విస్తృతంగా విస్తరించబడుతుందని ఆశించవచ్చు. భవిష్యత్తులో, ఈ సాంకేతికత పరిశోధన మరియు అభివృద్ధిని మరింత వేగవంతం చేయడం ద్వారా, సుపరిచితమైన పరికరాలు మరియు సిస్టమ్‌ల వంటి వాస్తవ-ప్రపంచ పరిసరాలలో ఉపయోగించగల AI సాంకేతికతను గ్రహించడానికి మేము పని చేస్తాము. ఈ సాంకేతికత డిజిటల్ AI టెక్నాలజీ సెంటర్, టెక్నాలజీ విభాగం, అమెరికాకు చెందిన పానాసోనిక్ R&D కంపెనీకి చెందిన AI లాబొరేటరీ నిర్వహించిన పరిశోధన ఫలితం.

మూర్తి 2: AutoDO డేటా ఆగ్మెంటేషన్ (షేర్డ్-పాలసీ DA డైలమా) సమస్యను పరిష్కరిస్తుంది. ఆగ్మెంటెడ్ రైలు డేటా పంపిణీ (డాష్డ్ బ్లూ) గుప్త స్థలంలో పరీక్ష డేటా (ఘన ఎరుపు)తో సరిపోలకపోవచ్చు:
"2" అండర్-ఆగ్మెంటెడ్, అయితే "5" ఓవర్ ఆగ్మెంటెడ్. ఫలితంగా, మునుపటి పద్ధతులు పరీక్ష పంపిణీకి సరిపోలలేదు మరియు నేర్చుకున్న వర్గీకరణ f(θ) యొక్క నిర్ణయం సరికాదు.