本文旨在研究并解决现有的目标检测和分割模型在长尾数据集上的失效问题，通过对现有的两阶段实例分割模型 Mask R-CNN 在最近的长尾 LVIS 数据集上的表现进行系统调研后，我们发现不准确的对象提案分类是其表现下降的主要原因，然后我们提出了一种用于改进长尾分类性能的简单校准框架，它可以更有效地减轻分类头偏差，并结合二级类平衡采样方法。 在我们的实验中表现良好，提高了最近 LVIS 数据集和我们采样的 COCO-LT 数据集的尾部类别实例分割的准确性。

Jul, 2020

本研究探讨了一种后处理校准置信度分数的方法，提出了 NorCal，基于训练样本大小来重新加权每个类别的预测分数，通过将背景类别和每个候选区域上类别的分数进行归一化来在长尾场景下增强性能，这种方法可以显著提高几乎所有基线模型的表现。

Jul, 2021

本文针对训练数据集不均衡和 miscalibration 等问题，设计了两种方法，分别为标签感知平滑和批次偏移规范化，并在多个长尾识别基准数据集上创造了新记录。

Apr, 2021

本文提出一种新的自适应损失（DropLoss），用于解决目标检测中长尾类别分布下的损失不平衡问题，以改善罕见类别的预测结果，提高模型在 LVIS 数据集上的表现。

Apr, 2021

该论文提出了一种 “分而治之” 的策略，即将整个数据划分为平衡的部分，并分别应用增量学习，以解决大规模长尾数据中出现的极端样本不平衡问题，从而推导出一种新的学习范式：类增量少样本学习。该论文通过设计实例级平衡重放方案和元模块，为实现新类学习与旧类知识复习中的类不平衡和少样本数据的挑战而努力。通过实验证明，该方法可以在牺牲一定头类遗忘的代价下，在少于 10 个实例的情况下显著提高 8.3％的 AP，从而为整个 1,230 个类别的模型提供 2.0％的 AP 提升。

Apr, 2020

长尾目标检测中存在回归偏差，并且此研究首次尝试揭示和纠正回归偏差对长尾目标检测的影响。

Jan, 2024

本文通过构建 smooth-tail 数据实现对长尾数据的更精确检测，并通过逐步优化模型以达到提高模型性能的目的。通过在 LVIS v0.5 和 LVIS v1.0 数据集上进行实验验证了本方法的卓越性能。

May, 2023

本文提出了一种新的分布校准方法，名为标签感知分布校准（LADC），它利用头部类的相关统计信息丰富尾部类，从而更准确地校准长尾分布的数据集。实验结果表明 LADC 显著优于现有的方法。

Nov, 2021

本文提出了一种基于等值损失的方法来解决 LVIS 数据集中大量罕见目标的问题，并利用检测数据集中类似目标的数据来缓解训练过程中丢失注释数据的影响，相对于基准模型 Mask R-CNN，我们的方法在 LVIS 基准测试集上取得了 5.1% 的整体 AP 提升和 11.4% 的罕见目标 AP 提升，最终在 LVIS Challenge 2019 中取得了第一名的成绩。

Nov, 2019

该论文提出了一种可通过学习实例嵌入提供无监督发现实例分割中长尾类别的方法，利用图像中对象之间的丰富关系和层次结构提出了自监督损失方法训练掩码嵌入，经 COCO 数据集训练，该模型能够发现比 COCO 中的常见类别更精细和新奇的对象，并在 LVIS 评估中取得了与监督和部分监督方法相竞争的结果。

Apr, 2021