A Google ingyenes metaadatkészleteket kínál néhány képből álló, mélyen megtanuló mesterséges intelligencia és gépi tanulási algoritmusokkal a gyors és hatékony képosztályozáshoz a TensorFlow és a PyTorch programokban

Google Pixel 5?

A Google rendelkezik bejelentette több adatkészlet elérhetőségét változatos, de korlátozott természeti képekből áll. A kereső óriás abban bízik, hogy a nyilvánosan elérhető adatok növelni fogják az ütemet Gépi tanulás és mesterséges intelligencia csökkentve az AI modellek minimális adatmennyiséggel történő kiképzéséhez szükséges időt. A Google „Ingyenes Meta-Datasets” -nek nevezi az új kezdeményezést, amely elősegíti az AI-modellek kevesebb adatból történő „tanulását”. A vállalat „Few-Shot AI” optimalizálva van, hogy az AI csak néhány reprezentatív képből tanuljon új osztályokat.

A Google, megértve az AI és a Machine Learning modellek gyorsabb képzésének szükségességét kevesebb adathalmaz mellett, elindította a „Meta-Dataset” nevű kis képgyűjteményt, amelynek segítenie kell csökkenteni az algoritmusok pontosságának javításához szükséges adatok mennyiségét. A vállalat azt állítja, hogy kevés felvételes képosztályozási technikák alkalmazásával az AI és az ML modellek sokkal kevesebb reprezentatív képből nyerik ugyanazt a betekintést.

A Google AI bejelentette a metaadatkészletet: Adatkészletek adatkészlete néhány kép készítéséhez:

Az AI és a gépi tanulás mély tanulása jó ideje exponenciálisan növekszik. Az alapvető követelmény azonban a kiváló minőségű adatok rendelkezésre állása, és ez túl nagy mennyiségben is. A manuálisan feljegyzett képzési adatok nagy mennyiségét nehéz beszerezni, és néha megbízhatatlanok is lehetnek. A nagy adathalmazok kockázatainak megértése érdekében a Google bejelentette, hogy rendelkezésre áll egy metaadatkészlet-gyűjtemény.

A „ Metaadatkészlet: Adatkészletek adatkészlete a tanuláshoz néhány példából ”(Bemutatás dátuma: ICLR 2020 ), A Google nagyszabású és sokrétű referenciaértéket javasolt a különböző képosztályozási modellek kompetenciájának mérésére reális és kihívást jelentő, néhány lövéses környezetben, keretet kínálva, amelyben a néhány lövéses osztályozás számos fontos szempontját megvizsgálhatja. Lényegében a Google 10 nyilvánosan elérhető és ingyenesen használható természetes kép adatkészletet kínál. Ezek az adatkészletek az ImageNet, a CUB-200-2011, a gombák, a kézzel írott karaktereket és a doodle-eket tartalmazzák. A kód az nyilvános és magában foglalja a jegyzetfüzet amely bemutatja, hogy a Meta-Dataset hogyan használható TensorFlow és PyTorch .

Néhány lövés osztályozás meghaladja a standard képzési és mély tanulási modellek . A tesztelés során teljesen új osztályokra van szükség. Más szavakkal, a tesztelés során használt képeket nem látták az edzésen. Néhány lövéses besorolásban az edzéskészlet olyan osztályokat tartalmaz, amelyek teljesen elhatárolódnak a teszt időpontjában megjelenő osztályoktól. Minden tesztfeladat tartalmazza a támogatási készlet néhány felcímkézett kép közül, amelyekből a modell megismerheti az új osztályokat és a diszjunktust lekérdezéskészlet példák, amelyek osztályozására a modellt felkérik.

A metaadatkészlet olyan nagy komponens, amelyben modell teljesen új adatkészletek általánosítását tanulmányozza , amelyből az edzés során egyetlen osztály képe sem volt látható. Ez kiegészíti a néhány lövéses tanulási beállításban rejlő új osztályok nehéz általánosítási kihívását.

Hogyan segíti a metaadatkészlet a mesterséges intelligencia és a gépi tanulási modellek mély tanulását?

A Meta-Dataset az eddigi legnagyobb szabású szervezett viszonyítási alap a keresztadatkészlet, néhány lövéses képosztályozáshoz. Ezenkívül bevezet egy mintavételi algoritmust a különböző jellemzőkkel és nehézségekkel bíró feladatok előállítására, azáltal, hogy változtatja az egyes feladatok osztályainak számát, az osztályonként elérhető példák számát, bevezeti az osztály egyensúlyhiányait, és egyes adatkészletek esetében a hasonlóság mértékét változtatja meg. osztályok az egyes feladatokról.

A Meta-Dataset új kihívásokat jelent a néhány lövéses besorolás szempontjából. A Google kutatása még mindig előzetes, és rengeteg teret kell lefedni. A keresőóriás azonban azt állította, hogy a kutatók sikereket tapasztalnak. Néhány figyelemre méltó példa az okosan megtervezett használat feladat kondicionálás , kifinomultabb hiperparaméterek hangolása , nak nek ' meta-alapvonal ”, Amely ötvözi az előképzés és a meta-tanulás, valamint végül a használat előnyeit funkció kiválasztása specializálódni az egyes feladatok egyetemes ábrázolására.