Toyota Research Institute anuncia los avances en el aprendizaje automático en la Conferencia Internacional sobre Visión Artificial

USA - English

El TRI publica seis trabajos de investigación que superan los límites del aprendizaje escalable en la Conferencia Internacional Principal sobre Visión Artificial

News provided by

Toyota Research Institute

Oct 11, 2021, 15:56 ET

LOS ALTOS, California, 11 de octubre de 2021 /PRNewswire-HISPANIC PR WIRE/ -- Toyota Research Institute (TRI) anunció hoy la aceptación de seis trabajos de investigación en el campo del aprendizaje automático en la Conferencia Internacional sobre Visión Artificial (ICCV). La investigación promueve la comprensión de varias tareas cruciales para la percepción robótica, entre las que se incluyen la segmentación semántica, la detección de objetos 3D y el seguimiento multiobjeto.

La investigación del TRI sobre el seguimiento multiobjeto revela que los datos sintéticos podrían dotar a las máquinas de habilidades cognitivas humanas fundamentales, como la permanencia de los objetos, que tradicionalmente son difíciles para los modelos de aprendizaje automático, pero connaturales al ser humano.

Durante los últimos seis años, los investigadores del TRI han hecho importantes avances en robótica, conducción automatizada y ciencia de los 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", señaló el Dr. Gill Pratt, director ejecutivo del TRI. "Estamos trabajando para lograr avances científicos en la disciplina del aprendizaje automático en sí, los que posteriormente aplicaremos para acelerar los descubrimientos en robótica, conducción automatizada y pruebas y desarrollo de baterías".

Cuando comenzó la Conferencia Internacional sobre Visión Artificial (ICCV), el TRI compartió seis trabajos que demostraban la sólida investigación de este instituto en el aprendizaje automático, incluido el aprendizaje geométrico profundo para la visión 3D, el aprendizaje autosupervisado y la simulación para la transferencia real o "de simulado a real".

"Dentro del campo del aprendizaje automático, la supervisión escalable es nuestro enfoque", señaló Adrien Gaidon, director del equipo de aprendizaje automático del TRI. "Es imposible etiquetar manualmente todo lo que se necesita a escala de Toyota, pero este es el enfoque de vanguardia, especialmente para el aprendizaje profundo y la visión artificial. Afortunadamente, podemos aprovechar la experiencia de Toyota en el campo de los vehículos, los robots o las baterías para inventar formas alternativas de supervisión escalable, ya sea mediante simulación o aprendizaje autosupervisado a partir de datos sin procesar. Este enfoque puede estimular el rendimiento en una amplia gama de tareas importantes para que los automóviles automatizados sean más seguros en cualquier momento y en cualquier lugar, para que los robots aprendan más rápido y para que el desarrollo de baterías acelere los ciclos de prueba prolongados".

En los seis trabajos aceptados en la ICCV, los investigadores del TRI dan cuenta de varios hallazgos importantes. En particular, muestran que el aprendizaje autosupervisado geométrico mejora significativamente la transferencia de simulado a real para la comprensión de la escena. El algoritmo de adaptación de dominio no supervisado resultante permite reconocer categorías del mundo real sin requerir costosas etiquetas manuales del mundo real.

Además, la investigación del TRI sobre el seguimiento multiobjeto revela que los datos sintéticos podrían dotar a las máquinas de habilidades cognitivas humanas fundamentales, como la permanencia de los objetos, que tradicionalmente son difíciles para los modelos de aprendizaje automático, pero connaturales al ser humano. Este nuevo desarrollo aumenta la solidez de los algoritmos de visión artificial, permitiendo que estén más alineados con el sentido común visual de las personas.

Finalmente, la investigación del TRI sobre pseudo-LiDAR muestra que el entrenamiento previo autosupervisado a gran escala mejora considerablemente el rendimiento de los detectores de objetos 3D basados en imágenes. La precapacitación geométrica propuesta permite entrenar poderosos modelos de aprendizaje profundo en 3D con etiquetas 3D limitadas, que son caras o a veces imposibles de obtener solo de las imágenes.

Puede obtener más información sobre los seis trabajos de investigación y el trabajo de aprendizaje automático del TRI en la página Medium del TRI o asistir a las presentaciones del TRI en la ICCV.

Acerca del Toyota Research Institute El Toyota Research Institute (TRI) realiza investigaciones para promover la robótica, la energía y los materiales, el aprendizaje automático y la inteligencia artificial centrada en el ser humano. Bajo la dirección del Dr. Gill Pratt, el equipo de investigadores de primer nivel del TRI está desarrollando tecnologías para amplificar la capacidad humana, enfocadas en hacer que nuestras vidas sean más seguras y sostenibles. Fundado en 2015, el TRI tiene oficinas en Los Altos, California; Cambridge, Massachusetts, y Ann Arbor, Michigan. Para obtener más información sobre el TRI, visite http://tri.global.

Contacto para los medios:
Wendy Rosen
directora de Comunicaciones
del Toyota Research Institute
[email protected]

Foto: https://mma.prnewswire.com/media/1656865/SIM2REAL_Composite.jpg
Logo: https://mma.prnewswire.com/media/534539/Toyota_Research_Institute_Logo.jpg

FUENTE Toyota Research Institute