Een retailer gebruikt luchtfoto's van productbovenkanten op schappen om te detecteren welke artikelen zijn verwijderd. Ze hebben 1.000 afbeeldingen gelabeld van 10 verschillende artikelen, maar de modelprestaties zijn slecht. Welke aanpak voldoet het beste aan de langetermijnbehoeften van het bedrijf?

De beste aanpak is het vergroten van de trainingsset door afbeeldingsvarianten te genereren (data-augmentatie). Met slechts 1.000 afbeeldingen voor 10 klassen is de dataset waarschijnlijk te klein voor een robuust model, wat resulteert in slechte prestaties. Data-augmentatie creëert synthetische trainingsvoorbeelden door bestaande afbeeldingen te transformeren (rotaties, translaties, flips, etc.), waardoor het model beter generaliseert en robuuster wordt voor variaties in de input. Het converteren naar grijswaarden verwijdert mogelijk belangrijke kleurkenmerken die cruciaal zijn voor het onderscheiden van producten. Het verminderen van het aantal klassen lost het onderliggende probleem van onvoldoende data per klasse niet op en is een tijdelijke oplossing. Gekleurde stickers toevoegen is een ingrijpende operationele verandering en lost het probleem van beperkte data voor de oorspronkelijke productherkenning niet op.