本研究提出通过保留特定类别低频率的能力，并设计了一种有效的残差融合机制来缓解极不平衡数据分布的深度学习算法应用长尾数据分布时普遍存在的问题，通过在参数空间的角度来解决长尾识别问题，并在多个基准数据集上进行了测试，证明了方法的有效性。

Jan, 2021

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

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

本文系统总结了深度长尾学习的最新进展，围绕着类别再平衡、信息增强和模块改进三个主要类别对相关方法进行详细探讨，并通过提出的相对准确度评估指标对最先进的方法进行了实证分析，为深度长尾学习的应用和未来研究方向提供了重要的参考。

Oct, 2021

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 “分而治之” 的策略，即将整个数据划分为平衡的部分，并分别应用增量学习，以解决大规模长尾数据中出现的极端样本不平衡问题，从而推导出一种新的学习范式：类增量少样本学习。该论文通过设计实例级平衡重放方案和元模块，为实现新类学习与旧类知识复习中的类不平衡和少样本数据的挑战而努力。通过实验证明，该方法可以在牺牲一定头类遗忘的代价下，在少于 10 个实例的情况下显著提高 8.3％的 AP，从而为整个 1,230 个类别的模型提供 2.0％的 AP 提升。

Apr, 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

本文提出了一种新型的长尾分类器 RIDE，通过多个专家、分布感知多样性损失以及动态专家路由模块来减小模型方差、缩小模型偏差与尾部的差距，相较于现有的方法，在 CIFAR100-LT、ImageNet-LT 和 iNaturalist 2018 基准测试上性能提高了 5％到 7％，并可应用于各种主干网络和长尾算法，具有较高的普适性和一致性性能。

Oct, 2020

本研究中，我们解耦学习过程，系统地探索不同平衡策略如何影响长尾识别的表示学习和分类器。我们的发现表明，数据不平衡在学习高质量表示方面可能不是问题，在使用最简单的实例平衡抽样进行学习表示的情况下，只需调整分类器就能实现强大的长尾识别能力，甚至可以胜过精心设计的损失、采样策略以及使用记忆组件的复杂模块。

Oct, 2019

本文提出了一种新的解决长尾图像识别中头尾偏差问题的方法，通过调整标签空间来平衡数据，从而提高分类性能。实验证明该方法可应用于多种模型，并为长尾特征学习提供了思路。

Aug, 2022