Milyen módszerek segítenek az erősen kiegyensúlyozatlan osztályokban a CV-ben?

A számítógépes látás (CV) feladataiban, erősen kiegyensúlyozatlan osztályok esetén a következő módszereket alkalmazzák:

• Az adatok bővítése a kisebbségi osztály számára: a ritka osztály példányainak számának növelése transzformációkkal (forgatások, méretezés, eltolások).

• Osztályok súlyozási módszereinek alkalmazása: a modell tanítása során nagyobb súlyt lehet adni a kisebbségi osztály hibáinak, hogy a modell nagyobb figyelmet fordítson rá.

• Adatmintavétel:

  • Oversampling — a ritka osztály adatait mesterségesen növelni.
  • Undersampling — a többségi osztály példányainak számát csökkenteni.

• Speciális veszteségfüggvények alkalmazása: például, Focal Loss, amely a nehezen osztályozható példákra fókuszál.

• További adatok gyűjtése: ha lehetséges, a kisebbségi osztály számára.

Ezek a módszerek segítenek javítani a modell minőségét ritka osztályokon, és elkerülni az előítéleteket a többségi osztályok felé.