¿Qué técnicas ayudan en clases muy desequilibradas en CV?

En tareas de visión por computador (CV) con clases muy desbalanceadas, se aplican las siguientes técnicas:

• Aumento de datos para la clase minoritaria: incrementar el número de ejemplos de la clase rara mediante transformaciones (rotaciones, escalado, desplazamientos).

• Uso de métodos de ponderación de clases: durante el entrenamiento del modelo, se puede asignar un peso mayor a los errores en la clase minoritaria para que el modelo preste más atención a ella.

• Muestreo de datos:

  • Oversampling — aumentar artificialmente los datos de la clase rara.
  • Undersampling — reducir el número de ejemplos de la clase mayoritaria.

• Uso de funciones de pérdida especializadas: por ejemplo, Focal Loss, que se centra en ejemplos difíciles de clasificar.

• Recolección de datos adicionales para la clase minoritaria, si es posible.

Estos métodos ayudan a mejorar la calidad del modelo en clases raras y a evitar sesgos hacia las clases mayoritarias.