Білобородова, Т. О.Скарга-Бандурова, І. С.Коверга, М. О.2022-09-152022-09-152021Білобородова Т. О. Методологія усунення дисбалансу класів наборів даних зображень / Т. О. Білобородова, І. С. Скарга-Бандурова, М. О. Коверга // Вісник Національного технічного університету "ХПІ". Сер.: Інформатика та моделювання = Bulletin of the National Technical University "KhPI" Ser.: Information and Modeling : зб. наук. пр. – Харків: НТУ "ХПІ". – 2021. – № 2 (6). – С. 114-129.https://repository.kpi.kharkov.ua/handle/KhPI-Press/57982Представлено методологію вирішення задачі усунення дисбалансу класів в наборах даних зображень, яка включає етапи вилучення фрагментів зображень, аугментацію фрагментів, вилучення ознак, та дублювання об’єктів міноритарного класу. В якості міри визначення незбалансованості набору даних використано ступінь дисбалансу. Проведено експеримент з використанням набору даних зображень облич пацієнтів з висипаннями на шкірі, що анотовані у відповідності до ступеня тяжкості акне. Розглянуто основні кроки реалізації запропонованої методології. Результати класифікації показали доцільність застосування запропонованої методології. Точність класифікації на тестових даних склала 85%, що на 5% вище ніж без застосування запропонованої методології.A methodology for eliminating class imbalance in image data sets is proposed. It includes image fragment extraction, fragments augmentation, feature extraction, and duplication of minority class objects. The degree of imbalance was used as a measure to determine the imbalance of the data set. An experiment was performed using a data set of facial images of patients with facial rash, annotated according to the severity of acne. The main steps of realization of the offered methodology are considered. The results of the classification showed the feasibility of applying the proposed methodology. The accuracy of classification on test data was 85%, which is 5% higher than without the application of the proposed methodology.ukдисбаланс класівнезбалансований набір данихвиділення фрагментіваугментаціяclass imbalanceimbalanced data setpatch extractionaugmentationArticledoi.org/10.20998/2411-0558.2021.02.04https://orcid.org/0000-0001-7561-7484https://orcid.org/0000-0003-3458-8730