O Google oferece meta-conjuntos de dados gratuitos com Few-Shot Deep Learning AI e Machine Learning Algorithms para classificação rápida e eficiente de imagens no TensorFlow e PyTorch

Google Pixel 5?

O Google tem anunciou a disponibilidade de vários conjuntos de dados composto por imagens naturais diversas, mas limitadas. O gigante das buscas está confiante de que os dados publicamente disponíveis irão conduzir o ritmo de Aprendizado de máquina e inteligência artificial ao mesmo tempo em que reduz o tempo necessário para treinar os modelos de IA em uma quantidade mínima de dados. O Google está chamando a nova iniciativa de ‘Meta-conjuntos de dados gratuitos’ que ajudará os modelos de IA a ‘aprender’ com menos dados. O ‘Few-Shot AI’ da empresa é otimizado para garantir que a IA aprenda novas classes a partir de apenas algumas imagens representativas.

Compreendendo a necessidade de treinar rapidamente modelos de IA e aprendizado de máquina com menos conjuntos de dados, o Google lançou o ‘Meta-Dataset’, uma pequena coleção de imagens que deve ajudar a reduzir a quantidade de dados necessários para melhorar a precisão dos algoritmos. A empresa afirma que, usando técnicas de classificação de imagem de poucas fotos, os modelos de AI e ML obterão os mesmos insights de muito menos imagens representativas.

Google AI anuncia meta-conjunto de dados: um conjunto de dados para o aprendizado de poucos instantes:

O Deep Learning para IA e Machine Learning vem crescendo exponencialmente há algum tempo. No entanto, o principal requisito é a disponibilidade de dados de alta qualidade e também em grandes quantidades. Muitas vezes, as grandes quantidades de dados de treinamento anotados manualmente são difíceis de obter e às vezes também podem não ser confiáveis. Compreendendo os riscos de grandes conjuntos de dados, o Google anunciou a disponibilidade de uma coleção de meta-conjuntos de dados.

Através ' Meta-conjunto de dados: um conjunto de dados para aprender a aprender com alguns exemplos ”(Apresentado em ICLR 2020 ), O Google propôs um benchmark em grande escala e diversificado para medir a competência de diferentes modelos de classificação de imagem em uma configuração de poucas fotos realista e desafiadora, oferecendo uma estrutura na qual é possível investigar vários aspectos importantes da classificação de poucas fotos. Essencialmente, o Google está oferecendo 10 conjuntos de dados de imagens naturais disponíveis publicamente e gratuitos. Esses conjuntos de dados incluem ImageNet, CUB-200-2011, Fungi, caracteres escritos à mão e rabiscos. O código é público e inclui um caderno que demonstra como o Meta-Dataset pode ser usado em TensorFlow e PyTorch .

A classificação de poucos tiros vai além do modelos padrão de treinamento e aprendizado profundo . É preciso generalização para classes inteiramente novas no momento do teste. Em outras palavras, as imagens utilizadas durante o teste não foram visualizadas no treinamento. Em uma classificação de poucas tentativas, o conjunto de treinamento contém classes que são totalmente distintas daquelas que aparecerão no momento do teste. Cada tarefa de teste contém um conjunto de suporte de algumas imagens rotuladas das quais o modelo pode aprender sobre as novas classes e um conjunto de consultas de exemplos que o modelo deve classificar.

Um Meta-Dataset é um grande componente em que o modelo estuda a generalização para conjuntos de dados inteiramente novos , de onde nenhuma imagem de qualquer classe foi vista no treinamento. Isso se soma ao difícil desafio de generalização para novas classes inerentes à configuração de aprendizado de poucas tentativas.

Como o Meta-Dataset ajuda a aprendizagem profunda para modelos de IA e de aprendizado de máquina?

Meta-Dataset representa o benchmark organizado em maior escala para classificação de imagens de conjuntos de dados cruzados e poucas fotos até o momento. Ele também introduz um algoritmo de amostragem para gerar tarefas de características e dificuldade variáveis, variando o número de classes em cada tarefa, o número de exemplos disponíveis por classe, introduzindo desequilíbrios de classe e, para alguns conjuntos de dados, variando o grau de similaridade entre os classes de cada tarefa.

Meta-Dataset apresenta novos desafios para uma classificação de poucas tentativas. A pesquisa do Google ainda é preliminar e há muito terreno a percorrer. No entanto, o gigante das buscas afirmou que os pesquisadores estão tendo sucesso. Alguns dos exemplos notáveis ​​incluem o uso de tarefa condicionamento , Mais sofisticado ajuste de hiperparâmetros , para ' meta-linha de base 'Que combina os benefícios do pré-treinamento e meta-aprendizagem e, finalmente, usando seleção de recursos para especializar uma representação universal para cada tarefa.