Загрузите данные меток ящика, которые содержат ящики и метки для одного изображения. Высота и ширина каждого ящика [20,20].

d  = load('balanceBoxLabelsData.mat');
boxLabels    = d.BoxLabels;

Создайте заблокированное изображение размера [500,500].

blockedImages = blockedImage(zeros([500,500]));

Выберите размер изображений для каждого наблюдения.

blockSize = [50,50];

Визуализируйте с помощью гистограммы, чтобы идентифицировать любой дисбаланс классов в метках ящика.

blds = boxLabelDatastore(boxLabels);
datasetCount = countEachLabel(blds);
figure;
h1 = histogram('Categories',datasetCount.Label,'BinCounts',datasetCount.Count)

h1 = 
  Histogram with properties:

              Data: [0x0 categorical]
            Values: [1 1 1 1 1 1 1 1 1 1 1 11]
    NumDisplayBins: 12
        Categories: {1x12 cell}
      DisplayOrder: 'manual'
     Normalization: 'count'
      DisplayStyle: 'bar'
         FaceColor: 'auto'
         EdgeColor: [0 0 0]

  Show all properties

Измерьте распределение меток коробки. Если коэффициент изменения больше 1, то существует класс дисбаланс.

cvBefore = std(datasetCount.Count)/mean(datasetCount.Count)

cvBefore = 1.5746

Выберите эвристическое значение для количества наблюдений путем нахождения среднего значения отсчётов каждого класса, умноженного на количество классов.

numClasses = height(datasetCount);
numObservations = mean(datasetCount.Count) * numClasses;

Управляйте суммой, которую коробка может быть вырезана с помощью OverlapThreshold. Использование нижнего порогового значения приведет к большему срезанию объектов на границе блока. Увеличьте это значение, чтобы уменьшить сумму, которую объект может быть отсечен на границе, за счет менее сбалансированных меток ящика.

ThresholdValue = 0.5;

Функции балансировки boxLabels использование balanceBoxLabels функция.

locationSet = balanceBoxLabels(boxLabels,blockedImages,blockSize,...
        numObservations,'OverlapThreshold',ThresholdValue);

Balancing box labels for 1 images with [==================================================] 100%
[==================================================] 100%
Balancing box labels complete.

Подсчитайте метки, содержащиеся в блоках изображений.

bldsBalanced = boxLabelDatastore(boxLabels,locationSet);
balancedDatasetCount = countEachLabel(bldsBalanced);

Наложите другую гистограмму на исходное количество меток, чтобы увидеть, сбалансированы ли метки ящика. Если метки, по-видимому, не сбалансированы путем просмотра гистограмм, увеличьте значение для numObservations.

hold on;
balancedLabels = balancedDatasetCount.Label;
balancedCount  = balancedDatasetCount.Count;
h2 = histogram('Categories',balancedLabels,'BinCounts',balancedCount);
title(h2.Parent,"Balanced class labels (OverlapThreshold: " + ThresholdValue + ")" );
legend(h2.Parent,{'Before','After'});

Измерьте распределение новых меток прямоугольных коробок.

cvAfter = std(balancedCount)/mean(balancedCount)

cvAfter = 0.4588