Panasonic ಎರಡು ಸುಧಾರಿತ AI ತಂತ್ರಜ್ಞಾನಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತದೆ,
CVPR2021 ಗೆ ಸ್ವೀಕರಿಸಲಾಗಿದೆ,
ವಿಶ್ವದ ಪ್ರಮುಖ ಅಂತಾರಾಷ್ಟ್ರೀಯ AI ತಂತ್ರಜ್ಞಾನ ಸಮ್ಮೇಳನ

[1] ಹೋಮ್ ಆಕ್ಷನ್ ಜೀನೋಮ್: ಕಾಂಟ್ರಾಸ್ಟಿವ್ ಕಾಂಪೋಸಿಷನಲ್ ಆಕ್ಷನ್ ಅಂಡರ್‌ಸ್ಟ್ಯಾಂಡಿಂಗ್

ಕ್ಯಾಮೆರಾಗಳು, ಮೈಕ್ರೊಫೋನ್‌ಗಳು ಮತ್ತು ಥರ್ಮಲ್ ಸೆನ್ಸರ್‌ಗಳು ಸೇರಿದಂತೆ ಹಲವಾರು ರೀತಿಯ ಸಂವೇದಕಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಅವರ ಮನೆಗಳಲ್ಲಿ ಮಾನವನ ದೈನಂದಿನ ಚಟುವಟಿಕೆಗಳನ್ನು ಸಂಗ್ರಹಿಸುವ ಹೊಸ ಡೇಟಾಸೆಟ್ "ಹೋಮ್ ಆಕ್ಷನ್ ಜಿನೋಮ್" ಅನ್ನು ನಾವು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದೇವೆ ಎಂದು ಘೋಷಿಸಲು ನಾವು ಸಂತೋಷಪಡುತ್ತೇವೆ. ನಾವು ವಾಸಿಸುವ ಸ್ಥಳಗಳಿಗಾಗಿ ವಿಶ್ವದ ಅತಿದೊಡ್ಡ ಮಲ್ಟಿಮೋಡಲ್ ಡೇಟಾಸೆಟ್ ಅನ್ನು ನಿರ್ಮಿಸಿದ್ದೇವೆ ಮತ್ತು ಬಿಡುಗಡೆ ಮಾಡಿದ್ದೇವೆ, ಆದರೆ ವಾಸಿಸುವ ಸ್ಥಳಗಳಿಗಾಗಿ ಹೆಚ್ಚಿನ ಡೇಟಾಸೆಟ್‌ಗಳು ಪ್ರಮಾಣದಲ್ಲಿ ಚಿಕ್ಕದಾಗಿದೆ. ಈ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಅನ್ವಯಿಸುವ ಮೂಲಕ, AI ಸಂಶೋಧಕರು ಇದನ್ನು ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಮತ್ತು AI ಸಂಶೋಧನೆಗಾಗಿ ತರಬೇತಿ ದತ್ತಾಂಶವಾಗಿ ಬಳಸಬಹುದು ವಾಸಿಸುವ ಜಾಗದಲ್ಲಿ ಜನರನ್ನು ಬೆಂಬಲಿಸಲು.

ಮೇಲಿನವುಗಳ ಜೊತೆಗೆ, ನಾವು ಮಲ್ಟಿಮೋಡಲ್ ಮತ್ತು ಬಹು ದೃಷ್ಟಿಕೋನಗಳಲ್ಲಿ ಶ್ರೇಣೀಕೃತ ಚಟುವಟಿಕೆಯನ್ನು ಗುರುತಿಸಲು ಸಹಕಾರಿ ಕಲಿಕೆಯ ತಂತ್ರಜ್ಞಾನವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದೇವೆ. ಈ ತಂತ್ರಜ್ಞಾನವನ್ನು ಅನ್ವಯಿಸುವ ಮೂಲಕ, ನಾವು ವಿಭಿನ್ನ ದೃಷ್ಟಿಕೋನಗಳು, ಸಂವೇದಕಗಳು, ಕ್ರಮಾನುಗತ ನಡವಳಿಕೆಗಳು ಮತ್ತು ವಿವರವಾದ ನಡವಳಿಕೆಯ ಲೇಬಲ್‌ಗಳ ನಡುವೆ ಸ್ಥಿರವಾದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಕಲಿಯಬಹುದು ಮತ್ತು ಹೀಗಾಗಿ ವಾಸಿಸುವ ಸ್ಥಳಗಳಲ್ಲಿ ಸಂಕೀರ್ಣ ಚಟುವಟಿಕೆಗಳ ಗುರುತಿಸುವಿಕೆಯ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸುಧಾರಿಸಬಹುದು.
ಈ ತಂತ್ರಜ್ಞಾನವು ಡಿಜಿಟಲ್ ಎಐ ತಂತ್ರಜ್ಞಾನ ಕೇಂದ್ರ, ತಂತ್ರಜ್ಞಾನ ವಿಭಾಗ ಮತ್ತು ಸ್ಟ್ಯಾನ್‌ಫೋರ್ಡ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಸ್ಟ್ಯಾನ್‌ಫೋರ್ಡ್ ವಿಷನ್ ಮತ್ತು ಲರ್ನಿಂಗ್ ಲ್ಯಾಬ್‌ನ ಸಹಯೋಗದಲ್ಲಿ ನಡೆಸಿದ ಸಂಶೋಧನೆಯ ಫಲಿತಾಂಶವಾಗಿದೆ.

ಚಿತ್ರ1: ಸಹಕಾರಿ ಸಂಯೋಜನೆಯ ಕ್ರಿಯೆಯ ತಿಳುವಳಿಕೆ (CCAU) ಸಹಕಾರದಿಂದ ಎಲ್ಲಾ ವಿಧಾನಗಳನ್ನು ಒಟ್ಟಿಗೆ ತರಬೇತಿ ನೀಡುವುದರಿಂದ ಸುಧಾರಿತ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನೋಡಲು ನಮಗೆ ಅವಕಾಶ ನೀಡುತ್ತದೆ.
ವೀಡಿಯೊಗಳು ಮತ್ತು ಪರಮಾಣು ಕ್ರಿಯೆಗಳು ಎರಡರ ನಡುವಿನ ಸಂಯೋಜನೆಯ ಪರಸ್ಪರ ಕ್ರಿಯೆಗಳಿಂದ ಪ್ರಯೋಜನ ಪಡೆಯಲು ವೀಡಿಯೊ-ಮಟ್ಟದ ಮತ್ತು ಪರಮಾಣು ಕ್ರಿಯೆಯ ಲೇಬಲ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ನಾವು ತರಬೇತಿಯನ್ನು ಬಳಸುತ್ತೇವೆ.

[2] AutoDO: ಸ್ಕೇಲೆಬಲ್ ಪ್ರಾಬಬಿಲಿಸ್ಟಿಕ್ ಇಂಪ್ಲಿಸಿಟ್ ಡಿಫರೆನ್ಷಿಯೇಷನ್ ಮೂಲಕ ಲೇಬಲ್ ಶಬ್ದದೊಂದಿಗೆ ಪಕ್ಷಪಾತದ ಡೇಟಾಕ್ಕಾಗಿ ದೃಢವಾದ ಸ್ವಯಂ ವೃದ್ಧಿ

ತರಬೇತಿ ಡೇಟಾದ ವಿತರಣೆಯ ಪ್ರಕಾರ ಅತ್ಯುತ್ತಮವಾದ ಡೇಟಾ ವರ್ಧನೆಯನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನಿರ್ವಹಿಸುವ ಹೊಸ ಯಂತ್ರ ಕಲಿಕೆ ತಂತ್ರಜ್ಞಾನವನ್ನು ನಾವು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದೇವೆ ಎಂದು ಘೋಷಿಸಲು ನಾವು ಸಂತೋಷಪಡುತ್ತೇವೆ. ಈ ತಂತ್ರಜ್ಞಾನವನ್ನು ನೈಜ ಪ್ರಪಂಚದ ಸನ್ನಿವೇಶಗಳಿಗೆ ಅನ್ವಯಿಸಬಹುದು, ಅಲ್ಲಿ ಲಭ್ಯವಿರುವ ಡೇಟಾವು ತುಂಬಾ ಚಿಕ್ಕದಾಗಿದೆ. ಲಭ್ಯವಿರುವ ಡೇಟಾದ ಮಿತಿಗಳ ಕಾರಣದಿಂದಾಗಿ AI ತಂತ್ರಜ್ಞಾನವನ್ನು ಅನ್ವಯಿಸಲು ಕಷ್ಟಕರವಾದ ನಮ್ಮ ಪ್ರಮುಖ ವ್ಯಾಪಾರ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಹಲವು ಪ್ರಕರಣಗಳಿವೆ. ಈ ತಂತ್ರಜ್ಞಾನವನ್ನು ಅನ್ವಯಿಸುವ ಮೂಲಕ, ಡೇಟಾ ವರ್ಧನೆಯ ನಿಯತಾಂಕಗಳ ಶ್ರುತಿ ಪ್ರಕ್ರಿಯೆಯನ್ನು ತೆಗೆದುಹಾಕಬಹುದು ಮತ್ತು ನಿಯತಾಂಕಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಸರಿಹೊಂದಿಸಬಹುದು. ಆದ್ದರಿಂದ, AI ತಂತ್ರಜ್ಞಾನದ ಅಪ್ಲಿಕೇಶನ್ ಶ್ರೇಣಿಯನ್ನು ಹೆಚ್ಚು ವ್ಯಾಪಕವಾಗಿ ಹರಡಬಹುದು ಎಂದು ನಿರೀಕ್ಷಿಸಬಹುದು. ಭವಿಷ್ಯದಲ್ಲಿ, ಈ ತಂತ್ರಜ್ಞಾನದ ಸಂಶೋಧನೆ ಮತ್ತು ಅಭಿವೃದ್ಧಿಯನ್ನು ಮತ್ತಷ್ಟು ವೇಗಗೊಳಿಸುವ ಮೂಲಕ, ಪರಿಚಿತ ಸಾಧನಗಳು ಮತ್ತು ವ್ಯವಸ್ಥೆಗಳಂತಹ ನೈಜ-ಪ್ರಪಂಚದ ಪರಿಸರದಲ್ಲಿ ಬಳಸಬಹುದಾದ AI ತಂತ್ರಜ್ಞಾನವನ್ನು ಅರಿತುಕೊಳ್ಳಲು ನಾವು ಕೆಲಸ ಮಾಡುತ್ತೇವೆ. ಈ ತಂತ್ರಜ್ಞಾನವು ಡಿಜಿಟಲ್ ಎಐ ಟೆಕ್ನಾಲಜಿ ಸೆಂಟರ್, ಟೆಕ್ನಾಲಜಿ ವಿಭಾಗ, ಅಮೆರಿಕದ ಪ್ಯಾನಾಸೋನಿಕ್ ಆರ್ & ಡಿ ಕಂಪನಿಯ ಎಐ ಲ್ಯಾಬೋರೇಟರಿ ನಡೆಸಿದ ಸಂಶೋಧನೆಯ ಫಲಿತಾಂಶವಾಗಿದೆ.

ಚಿತ್ರ 2: AutoDO ಡೇಟಾ ವರ್ಧನೆಯ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುತ್ತದೆ (ಹಂಚಿಕೊಂಡ-ನೀತಿ DA ಸಂದಿಗ್ಧತೆ). ವರ್ಧಿತ ರೈಲು ಡೇಟಾದ ವಿತರಣೆ (ಡ್ಯಾಶ್ ಮಾಡಿದ ನೀಲಿ) ಸುಪ್ತ ಜಾಗದಲ್ಲಿ ಪರೀಕ್ಷಾ ಡೇಟಾ (ಘನ ಕೆಂಪು) ಗೆ ಹೊಂದಿಕೆಯಾಗುವುದಿಲ್ಲ:
"2" ಕಡಿಮೆ-ವರ್ಧಿತವಾಗಿದೆ, ಆದರೆ "5" ಅತಿಯಾಗಿ ವರ್ಧಿಸಲ್ಪಟ್ಟಿದೆ. ಪರಿಣಾಮವಾಗಿ, ಹಿಂದಿನ ವಿಧಾನಗಳು ಪರೀಕ್ಷಾ ವಿತರಣೆಗೆ ಹೊಂದಿಕೆಯಾಗುವುದಿಲ್ಲ ಮತ್ತು ಕಲಿತ ವರ್ಗೀಕರಣದ ಎಫ್(θ) ನಿರ್ಧಾರವು ತಪ್ಪಾಗಿದೆ.