1. 오버 샘플링
< 중요도에 비해 데이터량이 적은 Class의 데이터 증강 >
Over Sampling 하고자 하는 Class가 포함된 이미지를 증강 (Flip, Rotate 등) + 그에 매칭하는 라벨 생성
- albumentations 패키지를 이용해 데이터량이 적고 의미 있는 Class를 오버샘플링
- 이미지 하나에 ParkingArea 뿐만 아니라 이미 충분한 데이터가 있는 Wall이나 Pillar같은 것이 섞여있어서 결과적으로 데이터 불균형 해소가 되지 않음
- ParkingArea만 크롭해서 증강하는 방법도 있긴한데 너무 번거롭고 의미있는 결과가 나올지도 애매
2. 언더샘플링
< 중요도는 낮지만 데이터량이 너무 많은 Class의 데이터 병합 or 감축 >
Under Sampling 하고자 하는 Class가 포함된 이미지를 삭제
-
(극소수 + 오류 높음 + 중요도 낮음) 클래스는 삭제
(예: Tool Bar)
-
(소수 + 오류 높은편 + 유사의미) 클래스는 서로 병합
(예: disabled icon + women icon + compact car icon = special parking icon)
-
그 외 중요도에 비해 성능이 아쉬운 클래스
(예: driving area, non-driving area, parking line, parking area, non-parking area)-> 옵션 1 : 데이터 부족 가능성 -> 소수 클래스 기준 데이터 증강
-> 옵션 2 : 다른 모델 사용, 하이퍼파라미터 조정
3. Class 선별 → 의미 있는 데이터 중 학습하기에 충분한 양이 있는 Class
['Disabled Icon',' Women Icon', 'Compact Car Icon', 'No Parking Sign', 'Traffic Cone', 'Fire Extinguisher', 'Undefined Object', 'Two-wheeled Vehicle', 'Vehicle', 'Wheelchair', 'Stroller', 'Shopping Cart', 'Human']
