Core Concepts
클래스 불균형의 영향 완화를 위한 중요도 샘플링 기반 방법 비교
Abstract
컴퓨터 비전 모델의 데이터 의존성
클래스 불균형이 모델 성능에 부정적인 영향을 미침
중요도 샘플링을 통한 데이터 재활용 방법 비교
중요도 샘플링 기반 기법: 손실 가중, 언더샘플링, 오버샘플링
Planet 아마존 우림 데이터셋과 ADE20K 씬 분류 데이터셋 실험 결과 비교
언더샘플링은 낮은 빈도 클래스에 대한 성능에 영향을 미치지만 다른 클래스에는 영향을 줄이는 경향
오버샘플링은 낮은 빈도 클래스에 대한 성능 향상을 보임
중요도 샘플링 기법은 최근 모델에서 효과적이지 않을 수 있음
Stats
중요도 샘플링은 데이터 재활용을 통해 클래스 불균형 효과 완화
중요도 샘플링 기반 기법: 손실 가중, 언더샘플링, 오버샘플링
Quotes
"클래스 불균형이 모델 성능에 부정적인 영향을 미침"
"언더샘플링은 낮은 빈도 클래스에 대한 성능에 영향을 미치지만 다른 클래스에는 영향을 줄이는 경향"
"오버샘플링은 낮은 빈도 클래스에 대한 성능 향상을 보임"