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

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

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

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

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

本研究探讨使用混淆矩阵对长尾实例分割问题中不同类别间的精细误分类信息进行建模，从而解决训练样本不平衡引起的模型偏差问题，提出的 Pairwise Class Balance (PCB) 方法能够有效地进行模型规范化训练，实验结果表明该方法具有较强的泛化性能和优越的表现。

Jan, 2022

本文考虑了在包含标签噪声的长尾数据集上的实例分割任务，并提出了一个新的数据集，该数据集是一个包含标签噪声的大型词汇长尾数据集，结果表明训练集中的噪声将阻碍模型学习稀有类别，并降低整体性能，从而激发我们探索有效解决这个实际挑战的方法。

Nov, 2022

本文提出了一种基于边缘的二元分类方法ECM，用于解决目标检测中数据不平衡导致的长尾问题，并在LVIS v1基准测试中获得了比其他启发式方法更好的性能。

Jan, 2023

目前，视频实例分割（VIS）旨在从训练类别的有限集中对视频中的对象进行分割和分类，但缺乏处理真实世界视频中多样对象的能力。本研究在长尾和开放世界场景下研究了VIS，通过训练模型在LVISv0.5和COCO数据集上，并在TAO数据集上训练实例外观相似性模块，实现了对稀有对象的检测和跟踪，在BURST测试集上取得了显著的性能。

Aug, 2023

通过引入一种双重策略来增强教师模型的训练过程，从而显著改善少样本学习，同时提出一种校准校正机制，使学生模型能够纠正教师的校准错误。实验结果在LVIS数据集上表现出显著的提升，平均精度（AP）提高了2.8％，稀有类别的AP提高了10.3％。

Mar, 2024