پاناسونیک و هوش مصنوعی حذف آب و هوای نامطلوب

خلاصه خبر:

پاناسونیک HD از هوش مصنوعی حذف آب و هوای نامطلوب استفاده می کند که باران، برف، مه، و سایر عناصری که دقت تشخیص تصویر را کاهش می دهد را حذف می کند.
این فناوری از یک سوم تعداد پارامترها در مقایسه با روش های قبلی استفاده می کند.

پاناسونیک HD از هوش مصنوعی حذف آب و هوای نامطلوب استفاده می کند
اوزاکا، ژاپن – شرکت پاناسونیک هولدینگ، با مسئولیت محدود (Panasonic HD) به طور مشترک با محققان دانشگاه کالیفرنیا، برکلی (UC Berkeley)، دانشگاه نانجینگ و دانشگاه پکن یک هوش مصنوعی حذف آب و هوای نامطلوب ایجاد کرده است که با حذف دقت تشخیص تصویر را بهبود می بخشد. باران، برف، مه، و عناصر دیگر از تصاویر که می تواند به طور قابل توجهی دقت تشخیص تصویر را کاهش دهد. این روش عملکرد بازیابی تصویر را نشان می‌دهد که دقت تشخیص را نسبت به روش‌های معمولی بهبود می‌بخشد در حالی که بیش از 72 درصد پارامترها و 39 درصد زمان استنتاج را در کارهای تشخیص و تقسیم‌بندی تصویر برای چندین تصویر آب و هوای نامطلوب صرفه‌جویی می‌کند.

کاربردهای هوش مصنوعی تشخیص تصویر در فضای باز به طور فزاینده ای در زمینه هایی مانند تحرک و زیرساخت رایج می شوند. با این حال، باران، برف و مه می توانند ظاهر اجسام را در تصاویر گرفته شده در فضای باز به شدت تغییر دهند و به طور قابل توجهی دقت تشخیص تصویر را کاهش دهند. در سال های اخیر، وظیفه پاک کردن باران، مه برف و سایر عناصر از تصاویر، معروف به "حذف آب و هوا"، به عنوان وسیله ای برای فعال کردن هوش مصنوعی عملی برای استفاده در همه شرایط آب و هوایی تبدیل شده است. تاکنون روش هایی برای تهیه مدل های مختلف بسته به نوع آب و هوا و یا ادغام مدل ها به گونه ای ارائه شده است که بتوان از آنها در هر شرایط آب و هوایی استفاده کرد، اما تعداد زیاد محاسبات مورد نیاز گلوگاهی را برای این روش ها ثابت کرده بود.

با نشان دادن پارامترهای مختلف آب و هوا به عنوان وزن، تیم توسعه مشترک فناوری ایجاد کرد که می تواند به طور قابل اعتماد تأثیر آب و هوای نامطلوب را با استفاده از تعداد کمی از پارامترها در یک مدل واحد که می تواند چندین عنصر و وظایف آب و هوایی را مدیریت کند، حذف کند. این روش پیشنهادی می‌تواند در موقعیت‌های مختلفی مورد استفاده قرار گیرد که در آن تشخیص تصویر با دقت بالا در تمام شرایط آب و هوایی مورد نیاز است، مانند سیستم‌های تشخیص خطر برای سنسورهای داخل خودرو و دوربین‌های امنیتی.

این فناوری در سطح بین المللی به رسمیت شناخته شده و در سی و هشتمین کنفرانس سالانه AAAI در زمینه هوش مصنوعی (AAAI 2024) که یک کنفرانس برتر برای فناوری هوش مصنوعی و یادگیری ماشین است، پذیرفته شده است.
با پیشرفت فناوری هوش مصنوعی، تعداد فزاینده‌ای از موقعیت‌ها وجود دارد که در آن‌ها تشخیص قوی تصویر حتی در خارج از منزل، مانند زمینه‌های تحرک و زیرساخت، مورد نیاز است. با این حال، محیط های بیرونی متغیرهای زیادی را ارائه می دهند که نمی توان آنها را کنترل کرد. به طور خاص، باران، برف و مه می توانند ظاهر اشیاء را در تصاویر گرفته شده در فضای باز به شدت تغییر دهند و به طور قابل توجهی دقت تشخیص تصویر را کاهش دهند، که در کاربردهای صنعتی یک مسئله است. تحقیق و توسعه وظایف حذف آب و هوای نامطلوب مانند حذف قطرات باران و حذف مه ("آب زدایی")، به طور فعال در حال انجام است.

تلاش‌ها برای ساخت مدل‌های هوش مصنوعی ("مدل‌های خبره") تخصصی برای شرایط و وظایف خاص آب و هوایی نتایجی را نشان می‌دهند. با این حال، در دنیای واقعی، چندین عنصر نامطلوب آب و هوا ممکن است به طور همزمان وجود داشته باشند و روش‌هایی که قادر به قضاوت قابل اطمینان‌تر هستند، جستجو می‌شوند. بنابراین، تحقیقاتی بر روی مدل‌های مجموعه‌ای انجام شده است که چندین مدل خبره را ترکیب می‌کنند، اما از آنجایی که تعداد پارامترها به طور چشمگیری افزایش می‌یابد، هیچ مدل عملی از نظر پیچیدگی محاسباتی وجود ندارد.

به منظور حل مسائل فوق، تیم توسعه مشترک "مخاطب-از-ویژگی-مدولاسیون-متخصص" (MoFME) را ایجاد کرد. این هوش مصنوعی حذف آب و هوا می‌تواند باران، برف و مه را که دقت تشخیص تصویر را کاهش می‌دهند، با یک مدل واحد و با یک سوم تعداد پارامترها در مقایسه با مدل‌های معمولی حذف کند.

دو مؤلفه جدید در این هوش مصنوعی برای انجام وظایفی مانند تشخیص و تقسیم‌بندی تصویر، که قبلاً به چندین مدل متخصص بسته به آب و هوا و کار نیاز داشت، با یک مدل واحد و با مقدار عملی محاسبه، در این هوش مصنوعی معرفی شده است.

اولین مورد، "Feature Modulated Expert" است که پارامترهای چند مدل خبره را با استفاده از وزن های تبدیل خطی بیان می کند. به جای یادگیری پارامترهای مدل‌های خبره مختلف به صورت جداگانه، هوش مصنوعی آنها را از طریق مدولاسیون خطی یک مدل متخصص خاص نشان می‌دهد و تعداد کل پارامترها و مقدار محاسبه را کاهش می‌دهد.

دومی یک «روتر آگاه از عدم قطعیت» است که سهم هر مدل متخصص را با توجه به ویژگی‌های تصویر ورودی تغییر می‌دهد. هر مدل متخصص در وظایف مختلف آب و هوا تخصص دارد. اگر یک مدل متخصص به نتایج حذف آب و هوا خیلی مطمئن نباشد، می توان به او گفت که سهم خود را کاهش دهد و بالعکس. این به طور موثر قابلیت اطمینان مدل مجموعه را افزایش می دهد و عملکرد تشخیص تصویر را بهبود می بخشد.

روش MoFME هم باران و هم مه را حتی برای یک تصویر پیچیده که هر دوی این عناصر را در خود دارد حذف کرد و نتایجی معادل یک تصویر واضح به دست آورد. علاوه بر این، در بخش بندی پس از حذف آب و هوای نامطلوب، تصویر حذف شده با آب و هوای نامطلوب پیش پردازش شده با استفاده از روش MoFME بهترین نتایج را از نظر تقسیم بندی به دست آورد.

روش MoFME عملکرد بازیابی تصویر را نشان می‌دهد که دقت تشخیص را نسبت به روش‌های معمولی بهبود می‌بخشد در حالی که بیش از 72 درصد پارامترها و 39 درصد زمان استنتاج را در کارهای تشخیص و تقسیم‌بندی تصویر برای چندین تصویر آب و هوای نامطلوب صرفه‌جویی می‌کند.
چشم انداز آینده:
MoFME با حذف این عناصر از تصاویر، تأثیر باران، برف، مه و سایر عناصر نامطلوب آب و هوایی را کاهش می‌دهد، که می‌تواند به میزان قابل توجهی دقت تشخیص تصویر را کاهش دهد. از آنجایی که MoFME می‌تواند باران و مه را با یک سوم پارامترها در مقایسه با روش‌های معمولی حذف کند، می‌توان از آن در شرایطی استفاده کرد که حتی در خارج از منزل نیز به تشخیص قوی تصویر نیاز دارند، مانند زمینه‌های تحرک و زیرساخت.

پاناسونیک HD به تسریع اجرای اجتماعی فناوری هوش مصنوعی و ترویج تحقیق و توسعه فناوری هوش مصنوعی ادامه خواهد داد که به مشتریان در زندگی و کار روزانه آنها کمک خواهد کرد.

http://iranpanasonic.ir/SiteNews/News.aspx?id=316

ایران پاناسونیک

آدرس سایت: www.iranpanasonic.ir