不平衡图像数据集(Tensorflow2)

Question

我正在尝试做一个二进制图像分类问题，但这两个类(分别为类1和类2的约590和约5900个实例)严重倾斜，但仍然相当不同。

有没有办法解决这个问题，我想尝试一下随机/随机加权过采样。

我试过很多不同的方法，但是我被卡住了。我尝试过使用class_weights=[10,1]、[5900,590]和[1/5900,1/590]，但我的模型仍然只能预测2类。我尝试过使用tf.data.experimental.sample_from_datasets，但我无法让它正常工作。我甚至尝试过使用sigmoid焦点交叉熵损失，这很有帮助，但还不够。

我希望能够对类1进行10倍的过采样，我尝试过的唯一有效的方法是手动过采样，即复制训练目录的类1实例以匹配类2中的实例数量。

有没有更简单的方法来做这件事，我正在使用Google Colab，所以这样做的效率非常低。

有没有办法在数据生成器或类似程序中指定SMOTE参数/过采样？

data/
...class_1/
........image_1.jpg
........image_2.jpg
...class_2/
........image_1.jpg
........image_2.jpg

我的数据采用上面所示的形式。

TRAIN_DATAGEN = ImageDataGenerator(rescale = 1./255.,
                                   rotation_range = 40,
                                   width_shift_range = 0.2,
                                   height_shift_range = 0.2,
                                   shear_range = 0.2,
                                   zoom_range = 0.2,
                                   horizontal_flip = True)

TEST_DATAGEN = ImageDataGenerator(rescale = 1.0/255.)

TRAIN_GENERATOR = TRAIN_DATAGEN.flow_from_directory(directory = TRAIN_DIR,
                                                    batch_size = BACTH_SIZE,
                                                    class_mode = 'binary', 
                                                    target_size = (IMG_HEIGHT, IMG_WIDTH),
                                                    subset = 'training',
                                                    seed = DATA_GENERATOR_SEED)

VALIDATION_GENERATOR = TEST_DATAGEN.flow_from_directory(directory = VALIDATION_DIR,
                                                        batch_size = BACTH_SIZE,
                                                        class_mode = 'binary', 
                                                        target_size = (IMG_HEIGHT, IMG_WIDTH),
                                                        subset = 'validation',
                                                        seed = DATA_GENERATOR_SEED)
...
...
...

HISTORY = MODEL.fit(TRAIN_GENERATOR,
                    validation_data = VALIDATION_GENERATOR,
                    epochs = EPOCHS,
                    verbose = 2,
                    callbacks = [EARLY_STOPPING],
                    class_weight = CLASS_WEIGHT)

我对Tensorflow比较陌生，但作为一个整体，我对ML有一些经验。我曾多次尝试切换到PyTorch，因为它们具有自动(超过/低于)使用sampler=WeightedRandomSampler采样的数据加载器的参数。

注意:我已经看了很多关于如何过采样的教程，但是没有一个是图像分类问题，我想继续使用TF/Keras，因为它允许简单的迁移学习，你们能帮助我吗？

Answer 1

您可以使用此策略根据不平衡计算权重：

from sklearn.utils import class_weight 
import numpy as np

class_weights = class_weight.compute_class_weight(
           'balanced',
            np.unique(train_generator.classes), 
            train_generator.classes)

train_class_weights = dict(enumerate(class_weights))
model.fit_generator(..., class_weight=train_class_weights)

Answer 2

在Python中，您可以使用imblearn库实现SMOTE，如下所示：

from imblearn.over_sampling import SMOTE

oversample = SMOTE()
X, y = oversample.fit_resample(X, y)

Answer 3

由于您已经将class_weight定义为字典，例如{0: 10, 1: 1}，因此您可以尝试扩充少数类。在https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html上查看balancing an imbalanced dataset with keras image generator和教程(在那里提到过)