Какие приёмы помогают при сильно несбалансированных классах в CV?

При сильно несбалансированных классах в задачах компьютерного зрения (CV) применяются следующие приёмы:

• Аугментация данных для миноритарного класса: увеличение количества примеров редкого класса с помощью трансформаций (повороты, масштабирование, сдвиги).

• Использование методов взвешивания классов: при обучении модели можно задать больший вес ошибкам на миноритарном классе, чтобы модель уделяла ему больше внимания.

• Сэмплирование данных:

  • Oversampling — искусственное увеличение данных редкого класса.
  • Undersampling — уменьшение количества примеров мажоритарного класса.

• Использование специализированных функций потерь: например, Focal Loss, которая фокусируется на сложных для классификации примерах.

• Сбор дополнительных данных для миноритарного класса, если это возможно.

Эти методы помогают улучшить качество модели на редких классах и избежать смещения в сторону мажоритарных.