.png){kind=icon}
返回
Imbalanced Data Problem in INTERCO Detection
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-09321-9_33.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据不平衡问题出现在某一类别的实例数量显著大于其他类别实例数量的情况。这种情况导致开发稳健机器学习模型面临挑战。为解决此问题，已提出多种算法和策略，如欠采样和过采样，通过减少或增加数据集中某一类别的实例数量来实现平衡数据集。在计算机视觉领域，数据不平衡问题尤为常见，因为某些物体类别通常比其他类别拥有更少的标注图像，这对YOLO等目标检测模型构成挑战。本文探讨了国际信号代码（INTERCO）信号检测中的类别不平衡挑战。本文采用了先进的对象检测模型，包括YOLOv8、YOLOv9、YOLOv10和YOLOv11，并结合数据平衡技术来提升性能。平衡器方法旨在增加少数类别的表示并消除类别不平衡问题，从而提高检测精度。为平衡数据集，采用了数据增强、自编码器、深度卷积生成对抗网络（DCGANs）、合成少数过采样技术（SMOTE）和自适应合成采样（ADASYN）等方法。随后展示了并讨论了这些方法的计算实验结果。
Keyword:
Imbalanced dataset
Synthetic data
Computer vision
YOLO
期刊
C
IF:
0
论文数:
34
被引数:
0
机构
引用论文
YOLOv9: Learning What You Want to Learn Using Programmable Gradient InformationYOLOv9: 使用可编程梯度信息学习您想要学习的内容
.png){kind=icon}
PREAI
分享收藏A study of the behavior of several methods for balancing machine learning training data平衡机器学习训练数据的几种方法的行为研究
PREAI
分享收藏
Improving imbalanced learning through a heuristic oversampling method based on k-means and SMOTE
OAAI
OAAI分享收藏
查看更多内容