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

我们提出了一种名为 FASA（Feature Augmentation and Sampling Adaptation）的方法，通过对稀有类别的特征空间进行增强以解决数据稀缺问题，该方法适用于标准或长尾分割框架，并可适用于其他任务，如长尾分类。

Feb, 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

本文提出了一种基于像素分布和类别平衡的自我标记方法，可以改善目标域中的结构分割性能，尤其是在长尾类别上表现得更好。

Mar, 2022

本研究提出了一种新的自监督域适应方法来解决长尾语义分割问题，并在“SYNTHIA到Cityscapes”和“GTA到Cityscapes”等流行的大规模语义分割基准测试中表现出比之前方法更好的性能。

Apr, 2023

通过引入类别相关的变化，提出了一种在训练阶段使实例不再被投影到特征点而是小范围内的方法，从而在不同类别的特征区域之间实现平衡，提高语义分割的性能和可适用性。

Jun, 2023

经过综合研究，我们发现语义分割中经典的测试时适应方法在解决问题上存在一些挑战，批量归一化更新策略对结果只带来轻微改善，师生方案使训练过程稳定但不会直接提高性能，长尾不平衡问题严重影响语义分割性能。

Oct, 2023

领域自适应主动学习通过使用不确定性和多样性两个准则与像素级获取策略相结合，有效提高神经网络在标注效率训练中的性能。然而，目前这种方法出现了类别不平衡问题，导致在更大规模的主动学习预算下性能下降。为缓解这一问题，本文提出了一种新型的主动学习方法，即类别平衡动态获取（CBDA），特别适用于高预算情况。通过增加较小类别的训练样本，改进了少数类别的性能，使模型在5%、10%和20%预算下的mIoU分别提高了0.6、1.7和2.4。此外，对少数类别的关注还使最小类别性能分别提高了0.5、2.9和4.6 IoU。最优模型甚至超过了全监督基准模型，表明相较于完整的真实标注，更平衡的标注对模型是有益的。

Nov, 2023

本研究解决了弱监督语义分割（WSSS）中仅依赖图像标签学习模型所面临的激活不平衡问题。我们提出了一种像素级领域适应（PLDA）方法，以学习像素级的不变特征，并引入了一种可信伪监督策略，确保每个像素的分割能力。这些创新方法有效提升了模型的性能，并可轻松整合到现有的WSSS方法中。

Aug, 2024