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

提出了一种基于弱监督的实例分割方法，使用条件分布来建模伪标签生成过程中的不确定性，通过联合概率学习目标来最小化两个分布之间的差异，实现了在 PASCAL VOC 2012 数据集上优于最优基线 4.2％ [email protected] 和 4.8％ [email protected] 的最新效果。

Jul, 2020

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

本文研究半监督实例分割问题，提出了一种通过引入伪标签的方法，构建包含噪声的像素级标签的半监督实例分割框架，并在框架中同时提出抵制和利用噪声边界的方法，通过大量实验表明该方法的性能优于基线方法。

Mar, 2022

通过模拟不同噪声条件，对不同分割任务中实例分割模型的鲁棒性和泛化能力进行了评估，引入了COCO-N和Cityscapes-N作为强注释噪声的实验场景。同时，提出了利用基础模型和弱标注来模拟半自动标注工具和其噪声标签的COCO-WAN基准，以研究各种模型生成的分割掩膜的质量，并质疑了常用的处理标签噪声学习的方法的有效性。

Jun, 2024