Google Menawarkan Meta-Dataset Percuma Dengan Algoritma AI dan Pembelajaran Mesin yang Sedikit Diperolehi Untuk Pengelasan Imej Yang Cepat Dan Efisien Dalam TensorFlow Dan PyTorch

Google Pixel 5?

Google mempunyai mengumumkan ketersediaan pelbagai set data terdiri daripada gambar semula jadi yang pelbagai tetapi terhad. Raksasa carian yakin data yang tersedia untuk umum akan mendorong kadar Pembelajaran Mesin dan Kecerdasan Buatan sambil mengurangkan masa yang diperlukan untuk melatih model AI dengan jumlah data yang minimum. Google memanggil inisiatif baru 'Meta-Dataset Percuma' yang akan membantu model AI 'belajar' pada data yang lebih sedikit. ‘Few-Shot AI’ dari syarikat dioptimumkan untuk memastikan AI belajar kelas baru hanya dengan beberapa gambar perwakilan.

Memahami keperluan untuk melatih model AI dan Pembelajaran Mesin dengan lebih sedikit dengan set data yang lebih sedikit, Google telah melancarkan 'Meta-Dataset', koleksi kecil gambar yang akan membantu mengurangkan jumlah data yang diperlukan untuk meningkatkan ketepatan algoritma. Syarikat itu mendakwa bahawa dengan menggunakan teknik klasifikasi gambar dengan beberapa tangkapan, model AI dan ML akan memperoleh pandangan yang sama daripada lebih sedikit gambar perwakilan.

Google AI Mengumumkan Meta-Dataset: Kumpulan Data Set untuk Pembelajaran Sedikit:

Pembelajaran mendalam untuk AI dan Pembelajaran Mesin telah berkembang pesat sejak beberapa lama. Walau bagaimanapun, syarat utama adalah ketersediaan data berkualiti tinggi dan jumlahnya juga dalam jumlah besar. Sebilangan besar data latihan yang dianotasi secara manual sering sukar diperoleh dan kadangkala juga tidak boleh dipercayai. Memahami risiko set data yang besar, Google telah mengumumkan adanya koleksi kumpulan data meta.

Melalui “ Meta-Dataset: Kumpulan Data Set untuk Belajar untuk Belajar dari Beberapa Contoh '(Dibentangkan di ICLR 2020 ), Google telah mencadangkan penanda aras berskala besar dan beragam untuk mengukur kecekapan model klasifikasi gambar yang berbeza dalam suasana beberapa tangkapan yang realistik dan mencabar, menawarkan kerangka di mana seseorang dapat menyelidiki beberapa aspek penting dari klasifikasi beberapa tembakan. Pada asasnya, Google menawarkan 10 set data gambar semula jadi yang tersedia untuk umum dan percuma. Set data ini terdiri daripada ImageNet, CUB-200-2011, Fungi, watak tulisan tangan dan coretan. Kodnya adalah awam dan merangkumi a buku nota yang menunjukkan bagaimana Meta-Dataset dapat digunakan di TensorFlow dan PyTorch .

Klasifikasi sedikit sahaja melebihi latihan standard dan model pembelajaran mendalam . Ia memerlukan generalisasi ke kelas yang sama sekali baru pada masa ujian. Dengan kata lain, gambar yang digunakan semasa ujian tidak dilihat semasa latihan. Dalam beberapa klasifikasi, set latihan mengandungi kelas yang sama sekali tidak sama dengan yang akan muncul pada waktu ujian. Setiap tugas ujian mengandungi a set sokongan dari beberapa gambar berlabel dari mana model dapat belajar mengenai kelas baru dan perbezaan set pertanyaan contoh yang model itu diminta untuk dikelaskan.

Meta-Dataset adalah komponen besar di mana model mengkaji generalisasi ke set data yang sama sekali baru , dari mana tidak ada gambar mana-mana kelas dilihat dalam latihan. Ini sebagai tambahan kepada cabaran generalisasi yang sukar bagi kelas baru yang wujud dalam persediaan pembelajaran yang sedikit.

Bagaimana Meta-Dataset Membantu Pembelajaran Dalam Untuk Model Pembelajaran AI Dan Mesin?

Meta-Dataset mewakili penanda aras terancang berskala terbesar untuk kumpulan data silang, klasifikasi gambar beberapa gambar setakat ini. Ia juga memperkenalkan algoritma pensampelan untuk menghasilkan tugas yang mempunyai pelbagai ciri dan kesukaran, dengan mengubah jumlah kelas dalam setiap tugas, jumlah contoh yang tersedia bagi setiap kelas, memperkenalkan ketidakseimbangan kelas, dan, untuk beberapa set data, tahap kesamaan antara kelas setiap tugas.

Meta-Dataset memang memperkenalkan cabaran baru untuk klasifikasi beberapa tangkapan. Penyelidikan Google masih awal dan masih ada banyak alasan yang perlu dibuat. Walau bagaimanapun, gergasi pencarian telah mendakwa bahawa penyelidik mengalami kejayaan. Beberapa contoh terkenal termasuk menggunakan reka bentuk yang bijak tugas penyaman udara , lebih canggih penalaan hiperparameter , kepada ' garis dasar meta Yang menggabungkan faedah pra-latihan dan meta-pembelajaran, dan akhirnya menggunakan pemilihan ciri untuk mengkhususkan perwakilan sejagat untuk setiap tugas.