Google, TensorFlow ve PyTorch'ta Hızlı ve Etkili Görüntü Sınıflandırma İçin Birkaç Çekim Derin Öğrenme Yapay Zekası ve Makine Öğrenimi Algoritmaları İçeren Ücretsiz Meta Veri Kümeleri Sunuyor

Google, çeşitli ancak sınırlı doğal görüntülerden oluşan birden fazla veri kümesinin kullanılabilirliğini duyurdu. Arama devi, halka açık verilerin Makine Öğrenimi ve Yapay Zekanın hızını artıracağından eminken, AI modellerini minimum miktarda veri üzerinde eğitmek için harcanan zamanı azaltacaktır. Google, AI modellerinin daha az veriyle "öğrenmesine" yardımcı olacak yeni girişimi "Ücretsiz Meta Veri Kümeleri" olarak adlandırıyor. Şirketin sunduğu "Few-Shot AI", yapay zekanın yalnızca birkaç temsili görüntüden yeni sınıfları öğrenmesini sağlamak için optimize edildi.

AI ve Makine Öğrenimi modellerini daha az veri kümesiyle hızlı bir şekilde eğitme ihtiyacını anlayan Google, algoritmaların doğruluğunu iyileştirmek için gereken veri miktarını azaltmaya yardımcı olması gereken küçük bir görüntü koleksiyonu olan "Meta-Veri Kümesi" ni piyasaya sürdü. Şirket, az çekim görüntü sınıflandırma teknikleri kullanarak, AI ve ML modellerinin çok daha az temsili görüntüden aynı bilgileri elde edeceğini iddia ediyor.

Google AI Meta Veri Kümesini Duyurdu: Birkaç Atışlı Öğrenme İçin Veri Kümeleri Veri Kümesi:

Yapay Zeka ve Makine Öğrenimi için Derin Öğrenme, bir süredir katlanarak büyüyor. Bununla birlikte, temel gereksinim, yüksek kaliteli verilerin mevcudiyeti ve bu da büyük miktarlarda olmasıdır. Manuel olarak açıklama eklenen eğitim verilerinin büyük miktarlarını temin etmek genellikle zordur ve bazen de güvenilmez olabilir. Büyük veri kümelerinin risklerini anlayan Google, bir meta veri kümesi koleksiyonunun kullanılabilirliğini duyurdu.

Google, "Meta-Veri Kümesi: Birkaç Örnekten Öğrenmeyi Öğrenmek İçin Bir Veri Kümesi Veri Kümesi" aracılığıyla (ICLR 2020'de sunulmuştur), farklı görüntü sınıflandırma modellerinin yetkinliğini gerçekçi ve zorlu bir azınlıkta ölçmek için geniş ölçekli ve çeşitli bir kıyaslama önermiştir. -fotoğraf ayarı, az atımlı sınıflandırmanın birkaç önemli yönünün araştırılabileceği bir çerçeve sunar. Esasen, Google, halka açık ve doğal görüntülerin veri kümelerini kullanmak için ücretsiz 10 tane sunuyor. Bu veri kümeleri, ImageNet, CUB-200-2011, Mantarlar, el yazısı karakterler ve karalamalardan oluşur. Kod halka açıktır ve Meta-Veri Kümesinin TensorFlow ve PyTorch'da nasıl kullanılabileceğini gösteren bir not defteri içerir.

Birkaç atış sınıflandırması, standart eğitim ve derin öğrenme modellerinin ötesine geçer. Test zamanında tamamen yeni sınıflara genelleme yapmak gerekir. Yani test sırasında kullanılan görüntüler eğitimde görülmedi. Birkaç vuruşlu sınıflandırmada, eğitim seti, test zamanında görünecek olanlardan tamamen ayrı olan sınıfları içerir. Her test görevi bir destek setimodelin yeni sınıflar hakkında bilgi edinebileceği birkaç etiketli görüntü ve ayrık sorgu kümesiDaha sonra modelin sınıflandırması istenen örnekler.

Bir Meta-Veri Kümesi, büyük bir bileşendir. model, tamamen yeni veri kümelerine genelleme çalışmaları yapareğitimde herhangi bir sınıfın görüntüsünün görülmediği. Bu, birkaç aşamalı öğrenme düzeninin doğasında bulunan yeni sınıflara yönelik zorlu genelleme sorununa ek olarak.

Meta-Veri Kümesi, Yapay Zeka ve Makine Öğrenimi Modelleri İçin Derin Öğrenmeye Nasıl Yardımcı Olur?

Meta-Veri Kümesi, bugüne kadarki az sayıdaki görüntü sınıflandırması için çapraz veri kümesi için en büyük ölçekli organize ölçütü temsil eder. Ayrıca, her bir görevdeki sınıf sayısını, sınıf başına mevcut örnek sayısını, sınıf dengesizliklerini tanıtarak ve bazı veri kümeleri için benzerlik derecesini değiştirerek, farklı özelliklere ve zorluk derecesine sahip görevler oluşturmak için bir örnekleme algoritması sunar. her görevin sınıfları.

Meta-Veri Kümesi, birkaç aşamalı sınıflandırma için yeni zorluklar ortaya çıkarır. Google'ın araştırması hâlâ başlangıç ​​aşamasındadır ve ele alınması gereken çok şey vardır. Ancak arama devi, araştırmacıların başarıya ulaştığını iddia etti. Dikkate değer örneklerden bazıları arasında akıllıca tasarlanmış görev koşullandırma, daha sofistike hiperparametre ayarı, ön eğitimin ve meta öğrenmenin faydalarını birleştiren bir 'meta temel' ve son olarak her görev için evrensel bir temsili özelleştirmek için özellik seçiminin kullanılması yer alır. .