Какви техники помагат при силно дисбалансирани класове в CV?

В задачите за компютърно зрение (CV) с силно дисбалансирани класове се прилагат следните техники:

• Увеличаване на данните за малцинствения клас: увеличаване на броя на примерите на редкия клас чрез трансформации (завъртания, мащабиране, измествания).

• Използване на методи за претегляне на класовете: по време на обучение на модела може да се зададе по-голяма тежест на грешките в малцинствения клас, за да се обърне повече внимание на него.

• Обучение чрез сэмплиране на данни:

  • Oversampling — изкуствено увеличаване на данните на редкия клас.
  • Undersampling — намаляване на броя на примерите на множествения клас.

• Използване на специализирани функции за загуба: например, Focal Loss, която се фокусира върху трудните за класифициране примери.

• Събиране на допълнителни данни: ако е възможно, за малцинствения клас.

Тези методи помагат за подобряване на качеството на модела при редки класове и за избягване на пристрастия към множествените класове.