Quelles techniques aident lors de classes fortement déséquilibrées en CV?

Dans les tâches de vision par ordinateur (CV) avec des classes fortement déséquilibrées, les techniques suivantes sont utilisées:

• Augmentation des données pour la classe minoritaire : augmenter le nombre d'exemples de la classe rare par des transformations (rotations, mise à l'échelle, décalages).

• Utilisation de méthodes de pondération des classes : lors de l'entraînement du modèle, on peut attribuer un poids plus élevé aux erreurs sur la classe minoritaire pour que le modèle lui accorde plus d'attention.

• Échantillonnage des données :

  • Oversampling — augmenter artificiellement les données de la classe rare.
  • Undersampling — réduire le nombre d'exemples de la classe majoritaire.

• Utilisation de fonctions de perte spécialisées : par exemple, Focal Loss, qui se concentre sur les exemples difficiles à classer.

• Collecte de données supplémentaires pour la classe minoritaire, si possible.

Ces méthodes aident à améliorer la qualité du modèle sur les classes rares et à éviter les biais en faveur des classes majoritaires.