松下控股株式会社（以下简称 Panasonic HD）宣布，其在 AI 与电脑视觉领域的全球顶级国际会议 CVPR 2026 中有两篇论文获录取，其中一篇更因研究卓越被选为「Highlight」。这些研究成果将于 2026 年 6 月 3 日至 6 月 7 日在美国科罗拉多州举行的会议上发表。 【录取论文概要】 ■ 论文 1：支持物理 AI 实用化的高效空间识别技术 通过高效压缩 3D 空间信息的技术，实现了处理信息量减少与高空间识别能力的并存。这将有助于机器人与物理 AI 等在现实世界中运作的 AI 技术进一步升级。 ＜背景＞ 近年来，能让机器人与机械识别现实环境、进行判断并自主行动的「物理 AI」备受关注。要实现此目标，必须具备掌握物体间位置关系等高度空间识别能力，并期待多模态 AI 的进一步进化。然而，传统使用多模态 AI 的空间识别技术面临着保持空间信息所需的运算量容易增加的问题。 ＜技术特点＞ 本技术结合了通过聚类（Clustering）进行的高效特征表示压缩，以及分阶段的空间识别学习，在抑制多模态 AI 处理空间信息量的同时，实现了与其他方法相当甚至更优的空间识别性能。例如，传统 3D 空间识别方法部分需要输入约 8,000 个 Token 的空间信息，而本技术仅需 700 个 Token 即可表现 3D 空间。本技术将有助于现实世界中 AI 的未来即时处理应用，以及需要 3D 空间识别与理解位置关系的广泛领域实用化。 ■ 论文 2：降低 AI 开发成本与时间，实现高效学习的 Portable Active Learning (PAL) 这是一项在大幅降低 AI 开发最大瓶颈——标注（Annotation）成本的同时，实现高精度物体检测的技术。在 CVPR 2026 中，该研究因创新性、技术完成度与未来潜力受到高度评价，被选为录取论文中的「Highlight」。 ＜背景＞ AI 影像识别技术已广泛应用于自动驾驶、工厂检测与监控系统等领域。然而，开发高性能 AI 需要对大量影像进行人工标注（标记出「何处有何物」），这项作业耗时且成本高昂。 ＜技术特点＞ 此次开发的「Portable Active Learning (PAL)」集成评估了不确定性、影像多样性与类别不平衡等多个要素，自动判断 AI「应优先学习哪些影像」。因此，与传统方法相比，平均减少了约 20% 的标注工作量，并实现了同等以上的识别性能。此外，本技术采用随插即用（plug-and-play）设计，可直接应用于各种 AI 物体检测模型，无需进行传统方法中常见的模型改造。这将有助于自动驾驶、边缘 AI、基础设施检测与工厂检测等领域的 AI 导入成本降低与开发效率提升。 今后，Panasonic HD 将持续加速 AI 的社会实装，推动有助于客户生活与工作现场的 AI 技术研究与开发。