Toyota anuncia 6 avances en aprendizaje automático en la Conferencia Internacional sobre Visión por Computador
Toyota Research Institute (TRI) anunció la aceptación de seis artículos de investigación en el campo del aprendizaje automático en la Conferencia Internacional sobre Visión por Computador (ICCV)
La investigación avanza en la comprensión de varias tareas cruciales para la percepción robótica, incluida la segmentación semántica, la detección de objetos en 3D y el seguimiento de múltiples objetos.
Durante los últimos seis años, los investigadores del TRI han logrado avances significativos en robótica, conducción automatizada y ciencia de materiales, en gran parte debido al aprendizaje automático, la aplicación de algoritmos informáticos que mejoran constantemente con la experiencia y los datos.
"El aprendizaje automático es la base de nuestra investigación", dijo el Dr. Gill Pratt, director ejecutivo de TRI. "Estamos trabajando para crear avances científicos en la disciplina del aprendizaje automático en sí y luego aplicar esos avances para acelerar los descubrimientos en robótica, conducción automatizada y pruebas y desarrollo de baterías".
Cuando comenzó la Conferencia Internacional sobre Visión por Computador (ICCV), TRI compartió seis artículos que demuestran la sólida investigación de TRI en aprendizaje automático, incluido el aprendizaje profundo geométrico para la visión 3D, el aprendizaje auto supervisado y la simulación a transferencia real o de "simulación a real".
“Dentro del campo del aprendizaje automático, nuestro enfoque es la supervisión escalable”, dijo Adrien Gaidon, director del equipo de aprendizaje automático de TRI. “Es imposible etiquetar manualmente todo lo que necesita a la escala de Toyota, sin embargo, este es el enfoque más avanzado, especialmente para Deep Learning y Computer Vision. Afortunadamente, podemos aprovechar la experiencia del dominio de Toyota en vehículos, robots o baterías para inventar formas alternativas de supervisión escalable, ya sea mediante simulación o aprendizaje auto-supervisado a partir de datos sin procesar. Este enfoque puede aumentar el rendimiento en una amplia gama de tareas importantes para que los automóviles automatizados sean más seguros en cualquier lugar y en cualquier momento, los robots aprendan más rápido y el desarrollo de la batería acelere los ciclos de prueba prolongados ".
En los seis artículos aceptados en el ICCV , los investigadores del TRI informan sobre varios hallazgos clave. En particular, muestran que el aprendizaje auto-supervisado geométrico mejora significativamente la transferencia de simulación a real para la comprensión de la escena. El algoritmo de adaptación de dominio no supervisado resultante permite reconocer categorías del mundo real sin necesidad de costosas etiquetas manuales del mundo real.
Además, la investigación del TRI sobre el seguimiento de múltiples objetos revela que los datos sintéticos podrían dotar a las máquinas de habilidades cognitivas humanas fundamentales, como la permanencia de objetos, que históricamente son difíciles para los modelos de aprendizaje automático pero que son una segunda naturaleza para los humanos. Este nuevo desarrollo aumenta la solidez de los algoritmos de visión por computadora, haciéndolos más alineados con el sentido común visual de las personas.
Por último, la investigación del TRI sobre pseudo-lidar muestra que el entrenamiento previo auto-supervisado a gran escala aumenta considerablemente el rendimiento de los detectores de objetos 3D basados en imágenes. El preentrenamiento geométrico propuesto permite entrenar potentes modelos 3D de aprendizaje profundo a partir de etiquetas 3D limitadas, que son costosas o, a veces, imposibles de obtener solo a partir de imágenes.
Puede obtener más información sobre los seis artículos y el trabajo de aprendizaje automático de TRI en la página Medium de TRI o asistir a las presentaciones de TRI en ICCV .
La investigación avanza en la comprensión de varias tareas cruciales para la percepción robótica, incluida la segmentación semántica, la detección de objetos en 3D y el seguimiento de múltiples objetos.
Durante los últimos seis años, los investigadores del TRI han logrado avances significativos en robótica, conducción automatizada y ciencia de materiales, en gran parte debido al aprendizaje automático, la aplicación de algoritmos informáticos que mejoran constantemente con la experiencia y los datos.
"El aprendizaje automático es la base de nuestra investigación", dijo el Dr. Gill Pratt, director ejecutivo de TRI. "Estamos trabajando para crear avances científicos en la disciplina del aprendizaje automático en sí y luego aplicar esos avances para acelerar los descubrimientos en robótica, conducción automatizada y pruebas y desarrollo de baterías".
Cuando comenzó la Conferencia Internacional sobre Visión por Computador (ICCV), TRI compartió seis artículos que demuestran la sólida investigación de TRI en aprendizaje automático, incluido el aprendizaje profundo geométrico para la visión 3D, el aprendizaje auto supervisado y la simulación a transferencia real o de "simulación a real".
“Dentro del campo del aprendizaje automático, nuestro enfoque es la supervisión escalable”, dijo Adrien Gaidon, director del equipo de aprendizaje automático de TRI. “Es imposible etiquetar manualmente todo lo que necesita a la escala de Toyota, sin embargo, este es el enfoque más avanzado, especialmente para Deep Learning y Computer Vision. Afortunadamente, podemos aprovechar la experiencia del dominio de Toyota en vehículos, robots o baterías para inventar formas alternativas de supervisión escalable, ya sea mediante simulación o aprendizaje auto-supervisado a partir de datos sin procesar. Este enfoque puede aumentar el rendimiento en una amplia gama de tareas importantes para que los automóviles automatizados sean más seguros en cualquier lugar y en cualquier momento, los robots aprendan más rápido y el desarrollo de la batería acelere los ciclos de prueba prolongados ".
En los seis artículos aceptados en el ICCV , los investigadores del TRI informan sobre varios hallazgos clave. En particular, muestran que el aprendizaje auto-supervisado geométrico mejora significativamente la transferencia de simulación a real para la comprensión de la escena. El algoritmo de adaptación de dominio no supervisado resultante permite reconocer categorías del mundo real sin necesidad de costosas etiquetas manuales del mundo real.
 |
| Toyota anuncia 6 avances en aprendizaje automático en la Conferencia Internacional sobre Visión por Computador |
Además, la investigación del TRI sobre el seguimiento de múltiples objetos revela que los datos sintéticos podrían dotar a las máquinas de habilidades cognitivas humanas fundamentales, como la permanencia de objetos, que históricamente son difíciles para los modelos de aprendizaje automático pero que son una segunda naturaleza para los humanos. Este nuevo desarrollo aumenta la solidez de los algoritmos de visión por computadora, haciéndolos más alineados con el sentido común visual de las personas.
Por último, la investigación del TRI sobre pseudo-lidar muestra que el entrenamiento previo auto-supervisado a gran escala aumenta considerablemente el rendimiento de los detectores de objetos 3D basados en imágenes. El preentrenamiento geométrico propuesto permite entrenar potentes modelos 3D de aprendizaje profundo a partir de etiquetas 3D limitadas, que son costosas o, a veces, imposibles de obtener solo a partir de imágenes.
Puede obtener más información sobre los seis artículos y el trabajo de aprendizaje automático de TRI en la página Medium de TRI o asistir a las presentaciones de TRI en ICCV .
Compartiendo este artículo usted puede ayudar a difundir valor a otros que están buscando este tipo de información
Así,que Toyota Research Institute anuncia 6 avances en el campo del aprendizaje automático en la Conferencia Internacional sobre Visión por Computador (ICCV)
Comentarios
Publicar un comentario