Image processing 什么是图像分割中的不平衡？

我知道，如果有太多的猫图像和太少的狗图像，图像分类问题（如猫对狗分类）中存在不平衡。但我不知道如何解决细分问题中的不平衡

例如，我的任务是从卫星图像中屏蔽云层，因此我将问题转化为两类分割，一类是云，另一类是背景。数据集有5800个4波段16位图像，大小为256*256。其结构为Segnet，损失函数为二进制交叉熵

假设有两种情况：

一半的样品完全被云层覆盖，一半没有云层

在每幅图像中，一半被云层覆盖，一半没有

所以，我想案例2是平衡的，但是案例1呢

实际上，在我的任务中，这两种情况在源卫星图像中是不可能的，因为相对于背景而言，云量总是相对较小的，但是如果图像样本因其较大而从源图像中裁剪，则会出现一些新的情况

因此，样本始终包含三种类型的图像：

完全被云层覆盖（5800个样本中有254个）

无任何云（5800个样本中有1241个）

有些地区被云层覆盖，有些地区没有。（5800中的4305，但我不知道云的百分比，在某些样本中可能非常高，在其他样本中可能很少）

我的问题:

样品是否不平衡？我该怎么办

---

提前感谢。

通常，在分割任务中，如果每个图像属于每个类/段的像素数大致相同（您的问题中的情况2），则认为他/她的样本是“平衡的”。
在大多数情况下，样本永远不会平衡，如您的示例中所示

会出现什么问题？当有一个段/类支配样本时，模型可能会发现更容易输出属于主导类/段的所有像素。这种持续的预测虽然没有提供信息，但仍然可以产生高精度和小损失

如何检测这种错误结果？您可以使

的“精度”

层输出的不仅是整体精度，还有精度。如果您的模型“锁定”在单个类上，则所有其他类的每类精度都将非常低

---

我能做些什么？您可以使用图层为其他类的错误赋予更多权重，以抵消主导类的影响。

感谢您的更正和回复。我将在caffe中尝试“InfogainLoss”层。谁知道如何像caffe在keras中那样输出每类的精度？