利用有效的类间边界进行长尾检测
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
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
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
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