Kokios technikos padeda labai nesubalansuotose klasėse CV?

Kompiuterinio matymo (CV) užduotyse su labai disbalansuotomis klasėmis taikomi šie metodai:

• Mažumos klasės duomenų didinimas: retos klasės pavyzdžių skaičiaus didinimas per transformacijas (sukimus, mastelio keitimą, perkėlimus).

• Klasės svorio metodų naudojimas: mokymo metu galima priskirti didesnį svorį klaidoms mažumos klasėje, kad modelis skirtų jai daugiau dėmesio.

• Duomenų pavyzdžių atranka:

  • Oversampling — dirbtinis retos klasės duomenų didinimas.
  • Undersampling — didžiosios klasės pavyzdžių skaičiaus mažinimas.

• Specializuotų praradimo funkcijų naudojimas: pvz., Focal Loss, kuris sutelkiamas į sudėtingus klasifikacijai pavyzdžius.

• Papildomų duomenų rinkimas: jei įmanoma, mažumos klasės atžvilgiu.

Šie metodai padeda pagerinti modelio kokybę retose klasėse ir išvengti šališkumo didžiosios klasės link.