Densenet169在多类别不平衡图像数据集上的训练问题咨询

最近在处理一个包含30000张图像的5分类任务，标签分为0、1、2、3、4五类，数据集存在明显的类别不平衡问题，于是我尝试用动态重采样技术来调整数据分布：

• 训练初始阶段，先将所有类别采样至等量，确保模型能平等接触各类样本的特征
• 随着训练推进，逐步降低小类别（1、2、3、4）的采样量，目标是在200个epoch时，类别比例趋近于1:2:2:2:2

第一次直接用原始图像训练，模型选用DenseNet169，搭配交叉熵损失函数，结果出现了严重的偏向问题——模型绝大多数预测结果都是类别0，完全被占主导的类别带偏了。

后来我给图像加上了颜色增强预处理，再输入DenseNet169训练，发现到了训练后期的部分epoch里，类别3的预测终于被激活了，但整体仍存在不少问题，比如其他小类别依旧难以被有效识别，模型的分类效果还是达不到预期。

内容的提问来源于stack exchange，提问作者user195688