Que técnicas ajudam em classes altamente desequilibradas em CV?

Em tarefas de visão por computador (CV) com classes altamente desequilibradas, aplicam-se as seguintes técnicas:

• Aumento de dados para a classe minoritária: aumentar o número de exemplos da classe rara através de transformações (rotações, escalonamento, deslocamentos).

• Uso de métodos de ponderação de classes: durante o treino do modelo, pode-se atribuir um peso maior aos erros na classe minoritária para que o modelo preste mais atenção a ela.

• Amostragem de dados:

  • Oversampling — aumentar artificialmente os dados da classe rara.
  • Undersampling — reduzir o número de exemplos da classe majoritária.

• Uso de funções de perda especializadas: por exemplo, Focal Loss, que foca em exemplos difíceis de classificar.

• Recolha de dados adicionais para a classe minoritária, se possível.

Estes métodos ajudam a melhorar a qualidade do modelo em classes raras e a evitar viéses em direção às classes majoritárias.