Dirichlet Prior Augmentation: Mehr Realismus in Getreideklassifikation
In der Landwirtschaft sind die Daten für die Klassifikation von Feldfrüchten häufig stark unausgewogen und folgen einer langen Schwanzverteilung. Gleichzeitig sind beschriftete Datensätze knapp und teuer zu beschaffen. Um mit diesen begrenzten Daten umzugehen, werden Trainingssets in der Regel künstlich ausgeglichen – besonders im Few‑Shot‑Learning. Dieses Vorgehen widerspricht jedoch den realen Bedingungen und führt zu einer Verschiebung zwischen Trainings- und Testlabelverteilungen, die die Generalisierbarkeit des Modells stark beeinträchtigt.
