Millised tehnikad aitavad väga ebavõrdses klassis CV-s?

Arvutinägemise (CV) ülesannetes väga ebavõrdses klasside jaotuses kasutatakse järgmisi meetodeid:

• Vähemklasside andmete suurendamine: haruldase klassi näidete arvu suurendamine transformatsioonide (pöörded, skaleerimine, nihked) abil.

• Klasside kaalumise meetodite kasutamine: mudeli treeningu ajal võib suurema kaalu määrata vähemklasside vigadele, et mudel pööraks neile rohkem tähelepanu.

• Andmete näidete valimine:

  • Oversampling — haruldase klassi andmete kunstlik suurendamine.
  • Undersampling — suurema klassi näidete arvu vähendamine.

• Spetsialiseeritud kaotuse funktsioonide kasutamine: näiteks, Focal Loss, mis keskendub raskesti klassifitseeritavatele näidetele.

• Täiendavate andmete kogumine: kui see on võimalik, vähemklasside jaoks.

Need meetodid aitavad parandada mudeli kvaliteeti haruldastes klassides ja vältida kallutatust suuremate klasside kasuks.