不同训练图像个数的图像分类

Question

我试着用4种不同的类别训练神经网络来进行图像分类：

1. 汽车(22k训练例子)
2. 大楼(8k培训实例)
3. 行人(5k训练例子)
4. 树木(1k训练实例)

问题是训练图像的数量偏向于一个/两个类(Es)。

我想知道是否有一种方法来训练神经网络，根据每堂课训练样本的数量？

我是否必须将每堂课的训练样本数目限制在所有课程的最少数目？

Answer 1

没有不平衡的不同类的数据并不重要。重要的是，您的数据应该有一个真正的分布。培训数据的分布应该与测试环境相同。因为您可以阅读这里，所以您的数据应该非常适合将要使用的任务。因此，如果你的样品的分布是真实的，就不会有问题。考虑一下，对于不平衡的数据集，我们应该使用适当的评估指标，比如F1评分。

最后，如果这是数据的真实分布，我强烈建议您不要更改实际分布，即使您想要增加数据。不应更改不同类的相对比率。

Answer 2

有时，一个类比另一个类更常见。这通常都是值得思考的。我想这并不是您所描述的那样(也就是说，人们以后想要对生产中的图像进行分类的事情是任意的)，所以让我们忽略这种情况(尽管它可能会影响测试集上的性能，这取决于测试集中最常见的是什么)。不过，一般来说，您会尝试一些策略(例如，不过度采样(无论是否有某种程度的数据增加)，并在真实的测试集上测试它们的性能。

绝对不要扔掉任何图像。通常情况下，我们很难在数据增强中创建真实的图像--在这里，您已经拥有了它们！因此，一种更吸引人的方法是使用一个数据生成器来平均地(或以任何比例对每个类进行最有意义的采样)来创建一批培训数据(包括一些数据增强，例如轻微的旋转、颜色/饱和度的变化等)。