Google釋出Meta-Dataset，這是一個用於少樣本（Few-Shot）學習研究的資料，在這個資料集中，Google提出了一個大規模且多樣化的基準，可用於量測不同圖像分類模型的能力，並提供一個用來研究少樣本學習的框架。
近來有許多針對少樣本分類的研究，不過之前的基準測試皆無法可靠地評估每個模型相對的優點，因此阻礙了研究發展。Meta-Dataset由10個公開圖像資料集組成，包含ImageNet、Fungi和CUB-200-2011，還有一些手寫字元和塗鴉圖像等，Google還公開了程式碼，其中包含了筆記本，展示使用TensorFlow和PyTorch應用資料集的方法，以及使用Meta-Dataset對現存少樣本圖像分類模型，進行初步研究的成果。
標準圖像分類會用一組特定類別的圖像資料集來訓練模型，並使用同類別的圖像測試模型效能，而少樣本分類的目的則是訓練出靈活的模型，希望僅使用幾個範例就可重新使模型能分類新的圖像類別，Meta-Dataset最終目標是要讓模型，能夠在各種測試任務都能表現良好，並且處理在訓練階段未曾看過的類別。