Quais são os problemas na deteção de classes long-tail?

Os problemas na deteção de classes long-tail estão relacionados com o facto de essas classes ocorrerem muito raramente nos dados, levando a várias dificuldades:

• Falta de dados para treino: poucos exemplos para classes raras dificultam o treino do modelo, que generaliza mal e muitas vezes ignora esses objetos.
• Desequilíbrio de classes: o modelo tende a focar-se nas classes frequentes, ignorando as raras, o que reduz a precisão na long-tail.
• Problemas de sobreajuste: ao tentar melhorar a deteção de classes raras, pode-se sobreajustar a um conjunto limitado de exemplos.
• Dificuldades na anotação: objetos raros são mais difíceis de encontrar e marcar, aumentando o custo e o tempo de preparação dos dados.

Para combater esses problemas, aplicam-se técnicas como:

• Aumento de dados para classes raras.
• Uso de métodos de balanceamento, como ponderação de perdas.
• Transfer learning e aprendizagem com poucas amostras.
• Arquiteturas especializadas e funções de perda que considerem o desequilíbrio.