极端不平衡下的车辆分类：集成学习与 CNN 的对比研究
计算机视觉与模式识别
2025-09-30 v1 人工智能
摘要
准确的车辆类型识别是智能交通与物流的基础，但公开数据集中严重的类别不平衡抑制了稀有类别上的性能。我们通过合并 Kaggle、ImageNet 和网络抓取数据，构建了一个 16 类语料库（约 4.7 万张图像），并通过 SMOTE 过采样和针对性欠采样创建了六个平衡变体。我们将基于 MobileNet-V2 特征构建的轻量级集成（如 Random Forest、AdaBoost 和软投票组合）与一个通过强数据增强和标签平滑训练的可配置 ResNet 风格 CNN 进行了基准对比。最佳集成模型（结合 SMOTE）达到了 74.8% 的测试准确率，而 CNN 在完整测试集上达到了 79.19%，在未见过的推理批次上达到了 81.25%，证实了深度模型的优势。尽管如此，表征最少的类别（Barge）仍是一个失败案例，凸显了单纯重平衡的局限性。结果建议优先进行额外的少数类数据收集和成本敏感目标（如 focal loss），并探索混合集成或 CNN 流水线以结合可解释性与表征能力。
引用
@article{arxiv.2509.24880,
title = {Vehicle Classification under Extreme Imbalance: A Comparative Study of Ensemble Learning and CNNs},
author = {Abu Hanif Muhammad Syarubany},
journal= {arXiv preprint arXiv:2509.24880},
year = {2025}
}