本研究探究基于LVIS数据集的极长尾数据对两阶段实例分割模型性能下降的现象，并发现物体提议分类的不准确是主要原因。通过将分类头部进行预测校准并不需要额外的费用和修改检测模型架构，可以大幅提高基线模型的识别性能。

Oct, 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

该研究提出了一种名为ACSL自适应类别压制损失的方法来解决大词汇目标检测任务中长尾分布问题，并在LVIS和Open Images上取得了新的最佳表现。

Apr, 2021

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

本研究提出一个简单和可扩展的 FreeSeg 框架，可以利用物体中心的图像提取和利用物体前景中的“免费”多样性来促进复杂场景中类别繁多的实例分割模型的培训，通过对同一类别的物体中心形象的相似性进行调查，提出前景实例的候选片段，然后通过对片段质量的新排序获得高质量的物体片段，从而改善了弱数据问题并取得了最佳效果。

Feb, 2022

本文提出一种Gumbel优化损失函数，用于解决深度检测器中Sigmoid或Softmax函数导致检测稀有类别低效的问题，实验结果表明该方法能显著提高罕见类别的检测效果。

Jul, 2022

本研究针对3D物体检测中的长尾问题，提出一种基于稀有性（rareness）而非难度（difficulty）的数据获取方法，该方法使用流模型对特征空间中的稀有物体进行密度估计，并提出基于成本的优化公式，从而显著提高检测模型对稀有物体的准确率（30.97%）。

Oct, 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