两阶段训练缓解相机陷阱图像分类中 CNN 的类不平衡问题
计算机视觉与模式识别
2021-12-30 v1 机器学习
摘要
通过利用深度学习自动分类相机陷阱图像，生态学家可更高效地监测生物多样性保护工作及气候变化对生态系统的影响。由于相机陷阱数据集的类别分布不平衡，当前模型偏向于多数类。因此，它们对少数多数类表现良好，而对许多少数类表现较差。我们使用两阶段训练来提升这些少数类的性能。除基线模型外，我们在高度不平衡的 Snapshot Serengeti 数据集子集上训练了四个采用不同两阶段训练变体的模型。我们的结果表明，两阶段训练可改善许多少数类的性能，且对其他类的性能损失有限。我们发现基于多数类欠采样的两阶段训练将类特定 F1 分数提高至多 3.0%。我们还发现两阶段训练在 F1 分数上平均优于仅使用过采样或欠采样 6.1%。最后，我们发现过采样与欠采样结合比单独使用它们性能更好。
引用
@article{arxiv.2112.14491,
title = {Two-phase training mitigates class imbalance for camera trap image classification with CNNs},
author = {Farjad Malik and Simon Wouters and Ruben Cartuyvels and Erfan Ghadery and Marie-Francine Moens},
journal= {arXiv preprint arXiv:2112.14491},
year = {2021}
}