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

通过引入多个放弃类来扩展内分布类空间并通过虚拟标签训练识别 OOD 数据的检测器，以及通过将图片叠加到具有丰富上下文的 OOD 数据以增强对尾类特征的注意力，我们提出的方法在长尾 OOD 检测任务中表现优于最先进方法，并可作为现有长尾学习方法的附加模块，显著提升 OOD 检测性能。

Dec, 2023

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

用于检测多个类别和长尾类别的缺陷的一种新方法，将异常检测与重构模块以及语义异常检测模块相结合，利用学习到的伪类名和预训练的基础模型进行二进制分类，通过两个阶段的学习，可以有效地解决真实应用中长尾数据分布的问题，并在大多数形式的数据集不平衡中显著优于其他最先进的方法。

Mar, 2024

本研究提出了一种基于 DenSe Learning 的锚点自由的半监督目标检测算法，其中包含自适应过滤策略、聚合型教师以及跨尺度不确定性一致性正则化等多种新技术，与 MS-COCO 和 PASCAL-VOC 等数据集上得到的实验结果表明，该方法在半监督目标检测性能上取得了新的最优结果。

Apr, 2022

本文提出了一种更有效的方法以提高对样本外（未知皮肤病变和条件）样本的检测性能，同时维持所知皮肤病变种类的多类分类准确性，并针对长尾和细粒度的 OOD 检测任务构建了一个适当的模型。

Jun, 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

本文提出了一种基于伪标签的半监督级联匹配检测器 CascadeMatch，该检测器采用级联网络架构，并具有根据数据自适应提取的伪标签。实验结果表明，CascadeMatch 在处理长尾物体检测方面优于现有半监督方法，在几种检测结构中均优于 Unbiased Teacher，且能处理稀疏标注的物体检测问题。

May, 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

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