本文提出了等化损失函数来解决卷积神经网络在大词汇和长尾数据集上的目标检测问题，通过简单的忽略稀有类别的梯度，保护稀有类别的学习不受到劣势影响，从而使得模型能够更好地学习稀有类别的物体的判别特征。通过实验证明，该方法在 LVIS 基准测试上，相对于 Mask R-CNN 基线，较为高效且能取得更好的检测效果。

Mar, 2020

研究表明，采用传统的聚焦损失平衡训练流程难以解决长尾数据分布下某些类别正负样本不平衡的问题，作者因此提出了一种称之为 Equalized Focal Loss (EFL) 的损失函数，该方法采用与类别相关的调节因子来平衡不同类别的正负样本损失贡献，并通过 LVIS v1 基准测试表明该方法在稀有类别上有显著的性能提升。

Jan, 2022

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

本研究提出使用平均分类得分来指示每个类别的分类准确性，并通过平衡损失和记忆增强特征采样方法，在长尾检测中找到分类平衡，显著提高了尾部类的检测性能，且代码可用。

Aug, 2021

本文提出了一种名为自适应均衡学习（AEL）的半监督语义分割新框架，旨在应对 Cityscapes 数据集中某些特定类别性能较差（即长尾标签分布），通过自信度相应动态调整训练，包括数据增广、数据采样等策略，实验证明其优于同类方法，并在多种数据划分协议下在 Cityscapes 和 Pascal VOC 基准测试中取得了显著的性能提升。

Oct, 2021

本文提出了一种基于边界框的四个参数的学习分布的方法，通过对边界框分布的统计学特征和真实定位质量之间的密切相关性，发展了一种可靠的质量预测器以优化定位质量评估获取更高的检测性能，进而证明了本研究方法的有效性。

Nov, 2020

本文介绍了一种名为 BAlanced CLassification（BACL）的统一框架，用于应对长尾数据分类偏差问题，该框架通过自适应校正类别分布中的不平等和动态增强样本多样性来解决这些问题。具体采用了前景分类平衡损失（FCBL）和动态特征幻化模块（FHM），在 LVIS 基准上取得了 5.8％ AP 和 16.1％ AP 的性能提升。

Aug, 2023

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

本研究中，我们解耦学习过程，系统地探索不同平衡策略如何影响长尾识别的表示学习和分类器。我们的发现表明，数据不平衡在学习高质量表示方面可能不是问题，在使用最简单的实例平衡抽样进行学习表示的情况下，只需调整分类器就能实现强大的长尾识别能力，甚至可以胜过精心设计的损失、采样策略以及使用记忆组件的复杂模块。

Oct, 2019

我们提出了梯度感知的逻辑调整（GALA）损失和预测再平衡策略来解决长尾数据问题，并在多个数据集上实验证明了其有效性。

Mar, 2024