研究了在长尾标签分布下标签噪声问题，提出了一种新的原型噪声检测方法及一个鲁棒的框架，该框架通过软伪标签技术和半监督学习算法进一步提高了泛化性能，并且在基准和真实数据集上表现优于现有基线模型，尤其是比 DivideMix 模型测试精度高出 3％。

Aug, 2021

本文重点研究在含有噪声标签的长尾多标签视觉数据中如何降噪，提出了一种 Stitch-Up 数据增强方法和一个 Heterogeneous Co-Learning 框架，实现去噪和更健壮的表征学习。通过两个挑战性基准测试，VOC-MLT-Noise 和 COCO-MLT-Noise，证明了该方法的有效性。

Jul, 2023

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

介绍了一个新的挑战，即噪声长尾分类（NLT），并设计了一种迭代噪声学习框架 Hard-to-Easy（H2E），通过将 “hard” 噪声降低到 “easy” 噪声来减轻了数据失衡的影响，并在长尾设置中超过了现有的去噪方法。

Jul, 2022

本文研究机构名称的规范化问题，针对实际数据应用中存在的长尾分布情况，提出了一个包含超过 25k 类的长尾数据集 LoT-insts1，并进行了基于搜索方法和 Bert 模型的神经网络等多种方法的基准测试及提出了一种特殊的 Bert 模型，在 few-shot 和 zero-shot 测试集上表现更好。该数据集是自然长尾且包含许多训练数据，是第一个专注于长尾和开放式分类问题的自然语言数据集。

Feb, 2023

减少长尾数据标注成本的弱监督学习方法，有效保留了尾部样本的有监督信息，并提出了一种简单高效且具有强大理论保证的学习框架，通过对 ImageNet 等基准数据集的广泛实验证实了其有效性，优于最先进的弱监督方法。

Mar, 2024

使用基于分布匹配的类原型和最优传输的伪标注方法，结合观察标签和伪标签的有效筛选标准，成功解决了长尾分布和标签噪声的联合问题，提供了更加平衡、准确的训练样本集，为具有标签噪声的长尾分类提供了有效的性能提升。

Apr, 2024

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

通过结合软标签修复与多专家集成学习的有效的两阶段方法，我们介绍了一种克服先前方法限制的方法，用于处理真实世界数据集中存在的噪声标签和类别不平衡问题，实验证实了我们的方法的优越性。

Mar, 2024

本文关注于长尾语义分割 (LTSS) 这一相对未经深入研究的任务设置，建立了三个代表性数据集，并提出了基于 Transformer 的改进算法，用于解决应用语义分割技术在自动驾驶和虚拟现实中遇到的长尾问题，并通过 LTSS 评估系统和基准进行性能展示，旨在推动对语义分割任务的实证研究。

Jun, 2024