Welke technieken helpen bij sterk onevenwichtige klassen in CV?

Bij taken met sterk ongebalanceerde klassen in computer vision (CV) worden de volgende technieken toegepast:

• Data-augmentatie voor de minderheidsklasse: het vergroten van het aantal voorbeelden van de zeldzame klasse door transformaties (rotaties, schaling, verschuivingen).

• Gebruik van klasse-gewichtsmaatregelen: tijdens het trainen van het model kan een groter gewicht worden toegekend aan fouten in de minderheidsklasse, zodat het model hier meer aandacht aan besteedt.

• Data-sampling:

  • Oversampling — kunstmatig vergroten van de gegevens van de zeldzame klasse.
  • Undersampling — verminderen van het aantal voorbeelden van de meerderheidsklasse.

• Gebruik van gespecialiseerde verliesfuncties: bijvoorbeeld, Focal Loss, die zich richt op voorbeelden die moeilijk te classificeren zijn.

• Verzamelen van aanvullende gegevens: indien mogelijk, voor de minderheidsklasse.

Deze methoden helpen de kwaliteit van het model te verbeteren op zeldzame klassen en bias richting meerderheidsklassen te voorkomen.