Jakie techniki pomagają w bardzo niezrównoważonych klasach w CV?

W zadaniach wizji komputerowej (CV) z silnie niezrównoważonymi klasami stosuje się następujące techniki:

• Augmentacja danych dla klasy mniejszościowej: zwiększenie liczby przykładów rzadkiej klasy za pomocą transformacji (obroty, skalowanie, przesunięcia).

• Użycie metod ważenia klas: podczas treningu modelu można przypisać większą wagę błędom w przypadku klasy mniejszościowej, aby model zwracał na nią większą uwagę.

• Próbkowanie danych:

  • Oversampling — sztuczne zwiększanie danych rzadkiej klasy.
  • Undersampling — zmniejszanie liczby przykładów klasy większościowej.

• Użycie specjalistycznych funkcji straty: na przykład Focal Loss, która skupia się na trudnych do sklasyfikowania przykładach.

• Zbieranie dodatkowych danych: dla klasy mniejszościowej, jeśli to możliwe.

Metody te pomagają poprawić jakość modelu na rzadkich klasach i unikać stronniczości w kierunku klas większościowych.