Ποιες τεχνικές βοηθούν σε πολύ ανισορροπημένες τάξεις στο CV;

Στα καθήκοντα υπολογιστικής όρασης (CV) με πολύ ανισοβαρείς κλάσεις, εφαρμόζονται οι ακόλουθες τεχνικές:

• Επέκταση δεδομένων για την ελαχιστότητα κλάση: αύξηση του αριθμού των παραδειγμάτων της σπάνιας κλάσης μέσω μετασχηματισμών (περιστροφές, κλιμάκωση, μετατοπίσεις).

• Χρήση μεθόδων στάθμισης κλάσεων: κατά την εκπαίδευση του μοντέλου, μπορεί να δοθεί μεγαλύτερο βάρος στα σφάλματα της ελαχιστότητας κλάσης ώστε το μοντέλο να δίνει περισσότερη προσοχή σε αυτή.

• Δειγματοληψία δεδομένων:

  • Oversampling — τεχνητά αύξηση των δεδομένων της σπάνιας κλάσης.
  • Undersampling — μείωση του αριθμού των παραδειγμάτων της πλειοψηφούσας κλάσης.

• Χρήση εξειδικευμένων συναρτήσεων απώλειας: π.χ., Focal Loss, που εστιάζει σε δύσκολα προς ταξινόμηση παραδείγματα.

• Συλλογή επιπλέον δεδομένων: εάν είναι δυνατόν, για την ελαχιστότητα κλάση.

Αυτές οι μέθοδοι βοηθούν στη βελτίωση της ποιότητας του μοντέλου σε σπάνιες κλάσεις και στην αποφυγή μεροληψίας προς τις πλειοψηφούσες κλάσεις.