目标检测数据不均衡问题

数据不均衡的影响：如果数据中存在不均衡的现象，网络模型的训练过程中会偏向于数量较多的目标。举个极端的例子，假设数据集的构成为：

car	plane
10000	1

 

如果在loss中不做任何处理，模型完全可以只关注car这一类，plane类由于数量太少，对loss几乎不会产生影响。这样的话，在检测过程中，plane类的准确率将会惨不忍睹。

解决方法：

1. 数据扩充。这是最简单的解决办法，通过数据扩充是检测的若干类物体达到均衡。
2. 种类惩罚。有时候，数据扩充并不能完全解决所有的问题。例如在一张图片中，树和草往往同时出现，这时无论怎么进行数据扩充，草这一类的数量还是远多于树的。这时可以采取种类惩罚的方法，即在loss计算的时候，人为提高数量较少类的loss的权重，从而提高这一类对损失的贡献，从而实现数据均衡的目的

具体方法：

在segnet中，作者采用了Median-frequency-balancing的方法，公式为