Ich habe gelesen, wie unausgewogene Datensätze die Klassifizierungsergebnisse wesentlich beeinflussen können, aber stellt ein Transferlernansatz (wie SSD) für die Objekterkennung sicher, dass wir den Datensatz nicht ausbalancieren müssen, um gute Ergebnisse zu erhalten?Löst Transfer Learning das Problem des unausgewogenen Datensatzes?
Kurze Antwort: NEIN. Aber vielleicht sogar.
Dies sind nicht miteinander verwandte Ideen. Transfer Learning Ziel ist es, zu helfen, wenn Sie keine Trainingsdaten haben oder wenn Sie nicht von Grund auf neu lernen können.
Die eigentliche Antwort hängt also von vielen Dingen ab: Wie unausgewogen ist Ihr Datensatz (ein wenig oder viel?), Die Art von Algorithmus, den Sie verwenden (generativ wie ein bayesian ou diskriminant wie eine SVM?) "trennbar" sind die Klassen? und vielleicht noch viel mehr.
Mit einem Bayes-Klassifikator in der Regel Sie mit der früheren Wahrscheinlichkeit von Klassen spielen können ...
So ist die Antwort wird sicherlich spezifisch für die Problembehandlung Sie ... Sie können nicht eine allgemeine Antwort haben auf diese Frage.
Ich denke, es gibt keine allgemeine Antwort auf Ihre Frage. So weit mein Verständnis geht: Beim Transferlernen verwenden Sie voreingestellte Gewichte durch die (teilweise) Wiederverwendung von Netzwerkschichten. Abhängig von Ihren Strategien, welche Gewichte zu behalten und welche zu verlieren sind, beeinflussen die vortrainierten Daten Ihre Ergebnisse. Dies kann zu allen möglichen Ergebnissen führen. Idealerweise erhalten Sie das Beste aus beiden Welten: Erhalten und behalten Sie die relevante Mustererkennung vor dem Training und trainieren Sie die zusätzlichen (normalerweise High-Level-) Muster, die Sie benötigen. Es könnte also helfen, aber es wird nicht sicherstellen, dass Sie sich niemals um Ungleichgewicht kümmern müssen. – Gegenwind