我有一个 3 类图像分类问题。这些类是高度不平衡的（大约 98% 的图像属于一个类）。为了抵消这种不平衡的数据，我使用类概率的倒数（1/（类比例））来加权损失。这意味着少数群体的损失会成倍增加。这确实有助于抵消阶级不平衡。

然而，对于这个加权损失，我使用了训练数据集中的比例。在验证数据集中，分布有些不同（验证集中为 96.66%、2.59%、0.75%，而训练集中为 98.28%、0.98%、0.73%）。这意味着如果我使用基于训练集的权重，主要是错误分类的 1 类图像会受到比根据验证集中的分布应有的惩罚要多得多。

这种分布差异的原因是我不能对我的图像进行随机分割，因为它们是由大约 10 个相机拍摄的，它们都在拍摄相同的静态风景（高速公路）。这意味着我必须保留大约 2/3 个摄像头的所有图像作为验证，并使用其他摄像头进行训练，否则模型将过于乐观，因为验证图像与训练图像来自同一个摄像头。

这使得验证数据无法解释加权损失。有没有办法抵消这种情况？例如，为训练/验证集（基于它们各自的分布）提供单独的权重会有所帮助吗？