પેનાસોનિક બે અદ્યતન AI ટેક્નોલોજી વિકસાવે છે,
CVPR2021 માટે સ્વીકાર્યું,
વિશ્વની અગ્રણી આંતરરાષ્ટ્રીય AI ટેક્નોલોજી કોન્ફરન્સ

[1] હોમ એક્શન જીનોમ: વિરોધાભાસી રચનાત્મક ક્રિયા સમજ

અમને એ જાહેરાત કરતાં આનંદ થાય છે કે અમે એક નવો ડેટાસેટ "હોમ એક્શન જીનોમ" વિકસાવ્યો છે જે કેમેરા, માઇક્રોફોન અને થર્મલ સેન્સર સહિત વિવિધ પ્રકારના સેન્સર્સનો ઉપયોગ કરીને તેમના ઘરોમાં મનુષ્યની દૈનિક પ્રવૃત્તિઓને એકત્રિત કરે છે. અમે વસવાટ કરો છો જગ્યાઓ માટે વિશ્વનો સૌથી મોટો મલ્ટિમોડલ ડેટાસેટ બનાવ્યો છે અને બહાર પાડ્યો છે, જ્યારે વસવાટ કરો છો જગ્યાઓ માટેના મોટાભાગના ડેટાસેટ્સ નાના કદના છે. આ ડેટાસેટને લાગુ કરીને, AI સંશોધકો તેનો ઉપયોગ મશીન લર્નિંગ અને AI સંશોધન માટે પ્રશિક્ષણ ડેટા તરીકે લોકોને રહેવાની જગ્યામાં ટેકો આપવા માટે કરી શકે છે.

ઉપરોક્ત ઉપરાંત, અમે મલ્ટિમોડલ અને બહુવિધ દૃષ્ટિકોણમાં વંશવેલો પ્રવૃત્તિની ઓળખ માટે સહકારી શિક્ષણ તકનીક વિકસાવી છે. આ ટેક્નોલૉજીનો ઉપયોગ કરીને, અમે વિવિધ દૃષ્ટિકોણ, સેન્સર્સ, વંશવેલો વર્તણૂકો અને વિગતવાર વર્તન લેબલ્સ વચ્ચે સુસંગત લક્ષણો શીખી શકીએ છીએ, અને આ રીતે રહેવાની જગ્યાઓમાં જટિલ પ્રવૃત્તિઓની ઓળખ કામગીરીને સુધારી શકીએ છીએ.
આ ટેક્નોલોજી ડિજિટલ AI ટેક્નોલોજી સેન્ટર, ટેક્નોલોજી ડિવિઝન અને સ્ટેનફોર્ડ યુનિવર્સિટી ખાતે સ્ટેનફોર્ડ વિઝન અને લર્નિંગ લેબ વચ્ચેના સહયોગથી હાથ ધરાયેલા સંશોધનનું પરિણામ છે.

આકૃતિ 1: કોઓપરેટિવ કમ્પોઝિશનલ એક્શન અન્ડરસ્ટેન્ડિંગ (CCAU) તમામ પદ્ધતિઓને એકસાથે સહકારી રીતે તાલીમ આપે છે જે અમને બહેતર પ્રદર્શન જોવાની મંજૂરી આપે છે.
અમે બંને વચ્ચેની રચનાત્મક ક્રિયાપ્રતિક્રિયાઓનો લાભ મેળવવા માટે વિડિયો અને અણુ ક્રિયાઓ બંનેને મંજૂરી આપવા માટે વિડિયો-સ્તર અને અણુ ક્રિયા લેબલ બંનેનો ઉપયોગ કરીને તાલીમનો ઉપયોગ કરીએ છીએ.

[૨] ઓટોડીઓ: સ્કેલેબલ પ્રોબેબિલિસ્ટિક ઈમ્પ્લીસીટ ડિફરન્શિએશન દ્વારા લેબલ નોઈઝ સાથે બાયસ્ડ ડેટા માટે મજબૂત ઓટો ઓગમેન્ટ

અમને એ જાહેરાત કરતાં પણ આનંદ થાય છે કે અમે એક નવી મશીન લર્નિંગ ટેક્નોલોજી વિકસાવી છે જે આપમેળે પ્રશિક્ષણ ડેટાના વિતરણ અનુસાર શ્રેષ્ઠ ડેટા વૃદ્ધિ કરે છે. આ તકનીક વાસ્તવિક દુનિયાની પરિસ્થિતિઓમાં લાગુ કરી શકાય છે, જ્યાં ઉપલબ્ધ ડેટા ખૂબ જ નાનો છે. અમારા મુખ્ય વ્યવસાયિક ક્ષેત્રોમાં એવા ઘણા કિસ્સાઓ છે, જ્યાં ઉપલબ્ધ ડેટાની મર્યાદાઓને કારણે AI ટેક્નોલોજી લાગુ કરવી મુશ્કેલ છે. આ ટેક્નોલોજીનો ઉપયોગ કરીને, ડેટા વૃદ્ધિ પરિમાણોની ટ્યુનિંગ પ્રક્રિયાને દૂર કરી શકાય છે, અને પરિમાણોને આપમેળે ગોઠવી શકાય છે. તેથી, એવી અપેક્ષા રાખી શકાય છે કે AI ટેક્નોલોજીની એપ્લિકેશન શ્રેણી વધુ વ્યાપકપણે ફેલાવી શકાય છે. ભવિષ્યમાં, આ ટેક્નોલોજીના સંશોધન અને વિકાસને વધુ વેગ આપીને, અમે AI ટેક્નોલોજીને સાકાર કરવા માટે કામ કરીશું જેનો ઉપયોગ પરિચિત ઉપકરણો અને સિસ્ટમ્સ જેવા વાસ્તવિક દુનિયાના વાતાવરણમાં થઈ શકે છે. આ ટેક્નોલોજી અમેરિકાની પેનાસોનિક આર એન્ડ ડી કંપનીની ડિજિટલ AI ટેક્નોલોજી સેન્ટર, ટેક્નોલોજી વિભાગ, AI લેબોરેટરી દ્વારા હાથ ધરાયેલા સંશોધનનું પરિણામ છે.

આકૃતિ 2: ઓટોડીઓ ડેટા ઓગમેન્ટેશન (શેર્ડ-પોલીસી DA મૂંઝવણ) ની સમસ્યાનું નિરાકરણ કરે છે. સંવર્ધિત ટ્રેન ડેટા (ડેશ વાદળી) નું વિતરણ સુપ્ત જગ્યામાં ટેસ્ટ ડેટા (સોલિડ રેડ) સાથે મેળ ખાતું નથી:
"2" અંડર-ઓગમેન્ટેડ છે, જ્યારે "5" વધારે છે. પરિણામે, અગાઉની પદ્ધતિઓ પરીક્ષણ વિતરણ સાથે મેળ ખાતી નથી અને શીખેલ વર્ગીકૃત f(θ) નો નિર્ણય અચોક્કસ છે.