Google Pixel 5?
Ang Google ay mayroong Inanunsyo ang pagkakaroon ng maraming mga dataset na binubuo ng magkakaibang ngunit limitadong natural na mga imahe. Tiwala ang higante ng paghahanap na magagamit ng data sa publiko ang bilis ng Pag-aaral ng Makina at Artipisyal na Katalinuhan habang binabawasan ang oras na ginugol upang sanayin ang mga modelo ng AI sa isang kaunting halaga ng data. Tinatawag ng Google ang bagong hakbangin na 'Libreng Meta-Datasets' na makakatulong sa mga modelo ng AI na 'malaman' sa mas kaunting data. Ang 'Few-Shot AI' mula sa kumpanya ay na-optimize upang matiyak na natututo ang AI ng mga bagong klase mula lamang sa ilang mga kinatawan ng imahe.
Naiintindihan ang pangangailangan na mabilis na sanayin ang mga modelo ng AI at Machine Learning na may mas kaunting mga database, inilunsad ng Google ang 'Meta-Dataset', isang maliit na koleksyon ng mga imahe na maaaring makatulong na mabawasan ang dami ng data na kinakailangan upang mapabuti ang kawastuhan ng mga algorithm. Sinasabi ng kumpanya na ang paggamit ng ilang mga shot na diskarte sa pag-uuri ng imahe, ang mga modelo ng AI at ML ay makakakuha ng parehong mga pananaw mula sa mas kaunting mga kinatawan ng imahe.
Inanunsyo ng Google AI ang Meta-Dataset: Isang Mga Datet ng Mga Dataset Para sa Ilang Pag-aaral ng Pag-shot:
Ang Malalim na Pag-aaral para sa AI at Pag-aaral ng Makina ay lumalaki nang exponentially nang medyo matagal. Gayunpaman, ang pangunahing kinakailangan ay ang pagkakaroon ng de-kalidad na data at masyadong sa malalaking halaga. Ang malaking halaga ng manu-manong na-anotadong data ng pagsasanay ay madalas na mahirap kunin at minsan ay hindi rin maaasahan. Pag-unawa sa mga panganib ng malalaking mga database, inihayag ng Google ang pagkakaroon ng isang koleksyon ng mga meta-set.
Sa pamamagitan ng ' Meta-Dataset: Isang Dataset ng Mga Datasets para sa Pag-aaral na Matuto mula sa Ilang Mga Halimbawa ”(Ipinakita sa ICLR 2020 ), Iminungkahi ng Google ang isang malakihan at magkakaibang benchmark para sa pagsukat ng kakayahan ng iba't ibang mga modelo ng pag-uuri ng imahe sa isang makatotohanang at mapaghamong setting ng ilang pagbaril, na nag-aalok ng isang balangkas kung saan maaaring siyasatin ng isang tao ang maraming mahahalagang aspeto ng pag-uuri ng ilang shot. Mahalaga, nag-aalok ang Google ng 10 magagamit sa publiko at libre na gumamit ng mga database ng mga natural na imahe. Ang mga dataset na ito ay binubuo ng ImageNet, CUB-200-2011, Fungi, mga character na nakasulat sa kamay at doodle. Ang code ay pampubliko at may kasamang a kuwaderno na nagpapakita kung paano magagamit ang Meta-Dataset TensorFlow at PyTorch .
Ilang pag-uuri ng shot ang lampas sa pamantayang pagsasanay at malalim na mga modelo ng pag-aaral . Tumatagal ang paglalahat sa ganap na mga bagong klase sa oras ng pagsubok. Sa madaling salita, ang mga larawang ginamit sa pagsubok ay hindi nakita sa pagsasanay. Sa isang pag-uuri na binaril, ang hanay ng pagsasanay ay naglalaman ng mga klase na ganap na magkahiwalay mula sa mga lilitaw sa oras ng pagsubok. Ang bawat gawain sa pagsubok ay naglalaman ng a set ng suporta ng ilang mga may label na imahe kung saan maaaring malaman ng modelo ang tungkol sa mga bagong klase at isang disjoint itinakda ang query ng mga halimbawang hiniling sa modelo na uriin.
Ang isang Meta-Dataset ay isang malaking sangkap kung saan pinag-aaralan ng modelo ang paglalahat sa ganap na mga bagong dataset , kung saan walang mga imahe ng anumang klase ang nakita sa pagsasanay. Ito ay bilang karagdagan sa matigas na hamon ng paglalahat sa mga bagong klase na likas sa kaunting pag-set up ng pag-aaral.
Paano Makakatulong ang Meta-Dataset sa Malalim na Pag-aaral Para sa Mga Modelong Pag-aaral ng AI At Machine?
Ang Meta-Dataset ay kumakatawan sa pinakamalaking sukatan na nakaayos na benchmark para sa cross-dataset, ilang-shot na pag-uuri ng imahe hanggang ngayon. Ipinakikilala din nito ang isang sampling algorithm para sa pagbuo ng mga gawain ng iba't ibang mga katangian at kahirapan, sa pamamagitan ng pag-iiba-iba ng bilang ng mga klase sa bawat gawain, ang bilang ng mga magagamit na halimbawa sa bawat klase, na nagpapakilala ng mga imbalances sa klase, at, para sa ilang mga dataset, naiiba ang antas ng pagkakapareho ng klase ng bawat gawain.
Ipinakikilala ng Meta-Dataset ang mga bagong hamon para sa isang kaunting pagbaril na pag-uuri. Pauna pa rin ang pananaliksik ng Google at mayroong maraming batayan upang masakop. Gayunpaman, inangkin ng higante ng paghahanap na ang mga mananaliksik ay nakakaranas ng tagumpay. Ang ilan sa mga kapansin-pansin na halimbawa ay kasama ang paggamit ng matalinong disenyo gawain pagkondisyon , mas sopistikado hyperparameter tuning , sa ' meta-baseline ’Na pinagsasama ang mga pakinabang ng paunang pagsasanay at meta-pagkatuto, at sa wakas ay ginagamit pagpili ng tampok upang magpakadalubhasa ng isang unibersal na representasyon para sa bawat gawain.
Mga tag google
