طی شش سال گذشته ، محققان TRI پیشرفت های چشمگیری در زمینه رباتیک ، رانندگی خودکار و علم مواد به دلیل یادگیری ماشینی انجام داده اند - استفاده از الگوریتم های رایانه که به طور مداوم با تجربه و داده بهبود می یابد.

دکتر گیل پرت ، مدیر عامل TRI می گوید: "یادگیری ماشین اساس تحقیق ما است. ما در حال تلاش برای ایجاد پیشرفت های علمی در زمینه یادگیری ماشین هستیم و سپس این پیشرفت ها را برای تسریع اکتشافات در رباتیک ، رانندگی خودکار و آزمایش و توسعه باتری به کار می گیریم."

با شروع کنفرانس بین المللی بینایی رایانه ای (ICCV) ، TRI شش مقاله را به اشتراک گذاشت که تحقیقات قوی TRI در یادگیری ماشین را نشان می داد ، از جمله یادگیری عمیق هندسی برای دید سه بعدی و شبیه سازی .

در شش مقاله پذیرفته شده در ICCV ، محققان TRI چندین یافته کلیدی را گزارش کرده اند. الگوریتم سازگاری بدون نظارت ناظر ، دسته بندی های دنیای واقعی را بدون نیاز به برچسب های دستی گران قیمت در ، امکان پذیر می کند.

علاوه بر این ، تحقیقات TRI در زمینه ردیابی چند جسمی نشان می دهد که داده های مصنوعی می توانند ماشین ها را با توانایی های شناختی اساسی انسان ، مانند ماندگاری اشیاء ، که از نظر تاریخی برای مدلهای یادگیری ماشین سخت است ، اما برای انسانها طبیعی است، اعطا کنند.

این پیشرفت جدید استحکام الگوریتم های بینایی رایانه را افزایش می دهد و آنها را با عقل سلیم بصری مردم هماهنگ می کند.

سرانجام ، تحقیقات TRI در مورد شبه لیدار نشان می دهد که پیش آموزش با مقیاس بزرگ با نظارت شخصی ، عملکرد آشکارسازهای شیء 3D مبتنی بر تصویر را به میزان قابل توجهی افزایش می دهد.

پیش آموزش هندسی پیشنهادی امکان آموزش مدل های آموزشی عمیق 3D عمیق از برچسب های سه بعدی محدود را فراهم می آورد ، که تهیه آنها از تصاویر گران و یا گاهی غیرممکن است.

215000720.220