Um varejista usa fotos aéreas da parte superior dos produtos nas prateleiras para detectar quais itens foram removidos. Eles rotularam 1.000 imagens cobrindo 10 itens diferentes, mas o desempenho do modelo é ruim. Qual abordagem melhor atende às necessidades de longo prazo da empresa?

Aumentar o conjunto de treinamento com variantes de imagem (rotações, translações, inversões) é a melhor abordagem a longo prazo porque o data augmentation é uma técnica padrão para melhorar o desempenho de modelos de aprendizado profundo, especialmente quando o conjunto de dados original é limitado (1.000 imagens para 10 classes é pouco). Isso ajuda o modelo a generalizar melhor e a ser mais robusto a variações nas imagens reais. Converter para tons de cinza pode remover informações de cor importantes para a distinção dos produtos. Reduzir o número de classes não resolve o problema da escassez de dados por classe e adia a solução completa. Colocar adesivos coloridos altera o problema original e não é escalável ou prático para um varejista.