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

为解决不平衡梯度导致的长尾目标检测困难，本研究提出了一种新的均衡损失（EQL v2）。实验结果表明，EQL v2 在 LVIS 基准测试中表现优异，比起原 EQL 可提高 4 个点的总 AP 值和 14-18 个点的罕见类别 AP 值，并且甚至超过了分离式训练方法。

Dec, 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

本文针对长尾大词汇物体检测的低效性进行了系统分析，提出了一种基于组内平衡 Softmax（BAGS）的解决方案，它能够通过分组培训平衡分类器，显著提高检测器的性能，超越了源自长尾图像分类的所有现有方法，并在最新的 LVIS 检测基准数据集上实现了新的最佳结果。

Jun, 2020

本文提出了通过使用平衡的特征损失，通过课程学习来加强长尾类别的激励，强化尾部类别的特征规范，从而提高了长尾问题的性能，并在多个受欢迎的长尾识别基准上实现了优越的性能增益。

May, 2023

本文研究了单阶段物体检测器比两阶段物体检测器速度更快，但精度更低的原因，并提出了一种名为 Focal Loss 的做法，以解决稠密检测器训练中遇到的前景背景类别不平衡问题，该方法能够提高准确性。在该方法的基础上设计了一种名为 RetinaNet 的密集型检测器，取得了超过现有首屈一指的两阶段检测器的精度。

Aug, 2017

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