Quali tecniche aiutano in classi fortemente sbilanciate in CV?

Nei compiti di visione artificiale (CV) con classi fortemente sbilanciate, vengono applicate le seguenti tecniche:

• Aumento dei dati per la classe minoritaria: aumentare il numero di esempi della classe rara tramite trasformazioni (rotazioni, scalatura, spostamenti).

• Utilizzo di metodi di pesatura delle classi: durante l'addestramento del modello, si può assegnare un peso maggiore agli errori sulla classe minoritaria affinché il modello le presti più attenzione.

• Campionamento dei dati:

  • Oversampling — aumentare artificialmente i dati della classe rara.
  • Undersampling — ridurre il numero di esempi della classe maggioritaria.

• Utilizzo di funzioni di perdita specializzate: ad esempio, Focal Loss, che si concentra su esempi difficili da classificare.

• Raccolta di dati aggiuntivi: se possibile, per la classe minoritaria.

Questi metodi aiutano a migliorare la qualità del modello sulle classi rare ed evitano bias verso le classi maggioritarie.