- 基于显著性引导和基于块的混合策略用于长尾皮肤癌图像分类
为解决长尾医学图像数据集分类中的性能问题，提出了一种基于显著性引导和基于块的混合方法（SPMix）来实现长尾皮肤癌图像分类，并通过实验证明了其在 ISIC2018 数据集上相较于现有最先进方法的优越性。
- ACL走向真实场景：不平衡的新意图发现
通过创建 ImbaNID-Bench 数据集，并提出了 ImbaNID 模型，本论文在协助探索和分类极度不平衡以及长尾分布中的用户意图方面表现出优越性，成为一种有潜力的基准模型。
- 深度长尾分类进展综述
不均匀数据的深度学习中的挑战及方法研究，重点关注长尾分类问题。
- CVPR重温长尾分布下的对抗训练
深度神经网络在对抗攻击中易受攻击，现有的对抗训练方法在平衡数据集上表现良好，但实际情况中长尾分布的数据样本下该方法的有效性存疑。本文研究了长尾分布下的对抗训练，发现仅利用平衡 Softmax 损失函数可以在降低训练开销的同时达到与之前方法相 - 概率对比学习用于长尾视觉识别
在研究中，我们提出了一种新颖的概率对比学习算法（ProCo），它通过估计特征空间中每个类别的样本数据分布并相应地采样对比对，以克服由于数据不平衡而导致的标准有监督学习算法性能下降的难题。我们引入了一个合理简单的假设，即在对比学习中，归一化特 - 通过重叠优化训练类不平衡的扩散模型
使用对比学习方法最小化不同类别合成图像分布之间的重叠，以改善长尾分布数据集中稀有类别的图像合成质量，并证明该方法能够有效处理基于扩散的生成和分类模型中的不平衡数据。
- MM用于稳健的长尾学习的数据流形的正交不确定性表示
在长尾分布的情景中，模型对尾部类别的识别能力受限于尾部样本的少量表示。本文提出了一种基于特征嵌入的正交不确定性表示方法（OUR）和端到端的训练策略，以改善模型的长尾现象。研究结果在长尾数据集上进行的综合评估表明，OUR 方法显著改善了模型的 - ICCV频率感知的自监督长尾学习
无监督学习与长尾分布数据的关联，用于产生具有辨别力的特征表示，以解决数据不平衡问题。
- 基于概念引导记忆的高效自适应人 - 物交互检测
本文提出了一种自适应 HOI 检测器，利用预训练模型并在长尾标记数据上进行训练，可有效地定位和推断人与物体之间的关系。该方法在 HICO-DET 和 V-COCO 数据集上获得了与最先进方法竞争力相当的结果，训练时间更短。
- 多标签长尾学习的鲁棒非对称损失
本文提出了一种鲁棒的不对称损失函数，能够同时解决长尾和多标签分类问题，适用于医学图像分类任务，能够有效缓解多个超参数优化困难和模型过拟合的风险。实验证明该方法在长尾多标签医学图像分类和其他长尾单标签数据集上具有较好的性能，且在 ICCV C - 多标签元加权长尾动态场景图生成
本文研究了视频场景图生成中主题和对象之间语义关系的问题，提出了一种多标签元学习框架以处理偏斜的谓词分布，改进了现有方法并在 Action Genome 和 VidOR 基准测试中表现优异。
- 长尾分类的标签感知分布校准
本文提出了一种新的分布校准方法，名为标签感知分布校准（LADC），它利用头部类的相关统计信息丰富尾部类，从而更准确地校准长尾分布的数据集。实验结果表明 LADC 显著优于现有的方法。
- CVPR长尾分布下的对抗鲁棒性
本文探讨了长尾分布下的对抗鲁棒性问题，并提出了一个名为 RoBal 的有效算法框架，该框架包括两个模块：一个尺度不变分类器和数据再平衡。
- 尾部蕴藏玄机：野外细粒度分类
这篇论文研究了长尾分布对计算机视觉和视觉识别的影响，通过对大规模细粒度分类数据集和深度学习分类算法的分析，发现训练样本数量对分类性能的影响非常大，迁移学习在当前方法中表现欠佳，因此研究人员建议应对长尾分布的问题进行全面思考。