- AAAI长尾识别的解耦对比学习
使用监督对比损失（SCL）方法进行视觉表示学习，在长尾识别场景下，通过解耦 SCL 的训练目标和使用基于图像补丁的自我蒸馏来优化性能，实验证明该方法在长尾分类基准上具有卓越的准确率，并与集合方法相结合进一步提高性能。
- 重新思考长尾识别中的分类器再训练：一种简单的逻辑回归重新定位方法
在这项研究中，我们重新评估了基于统一特征表示的分类器重新训练方法，并提出了一个称为 Logits Magnitude 的新度量作为模型性能的更好指标。通过减少平衡时 Logits Magnitude 的绝对值，可以有效减少训练过程中的错误和 - 长尾学习中的欠采样技术复苏
通过平衡欠采样方法，我们提高了最差表现类别的准确性，并利用调和平均数和几何平均数评估模型性能，同时使用模型集成策略在几何平均数和调和平均数上取得进一步改进，而平均准确性几乎保持不变，验证了我们方法的有效性。
- 用校准的异常类学习进行长尾识别中的越界检测
通过引入新的校准异常类别学习（COCL）方法，可以解决长尾识别场景中现有的离散分布方法对长尾分布数据的局限性，并在区分 OOD 样本与头尾类样本时大大提高了性能。
- 动态残差分类器用于类增量学习
广泛使用的排练策略可通过保留先前任务的有限示例来缓解课内增量学习中的灾难性遗忘问题。本研究展示了课内增量学习中动态数据不平衡的特点，并提出了一种新颖的动态残差分类器（DRC）来处理这种具有挑战性的情况。
- 长尾识别的均匀分布类别原型引导视觉语言框架
研究论文提出了一种基于统一类别原型导向的视觉语言框架，用于有效缓解数据不平衡引起的特征空间偏差，并通过去除无关噪声文本和增强关键属性信息的模块提高模型的鲁棒性，同时通过类特征原型导向分类器解决学习分类器的正向偏差问题，从而在长尾学习中实现了 - 长尾识别中的子类平衡对比学习
本文提出了一种新的 “子类平衡对比学习（SBCL）” 方法，通过在表示空间中对头类聚类，以捕捉头类和尾类之间的两层类层次结构，实现了实例和子类平衡，并通过在不同类之间的子类对比学习来学习原始类标签。
- 持续学习是否能提高长尾识别？朝向一个统一框架
本文提出了解决长尾识别问题的两个重要方法：理论公式证明将全数据集训练的权重控制在同样训练头部数据的权重上限范围内；将头部和尾部的学习视为分开的顺序步骤，使用 Continual Learning 方法来有效地更新学习者的权重。作者在 CIF - Fill-Up: 用生成模型平衡长尾数据
该研究提出了一种新的基于 Textual Inversion 的图像合成流程，利用生成的图像填充 real-world 数据不平衡情况，该方法在长尾识别方面取得了最先进的结果。
- BMB：用于不平衡半监督学习的平衡记忆库
提出了一种基于平衡记忆库和自适应权重机制的半监督学习框架，其可以解决长尾数据对于 SSL 任务带来的数据不平衡问题，实验结果表明该框架在多个数据集上优于现有的方法。
- 深度视觉遗传生物识别用于稀有物种的分类
本研究探究将视觉图像与基因信息相结合的方法，提出了 aligned visual-genetic inference spaces 的概念，并通过深度嵌入模型实现了跨领域交叉关联以促进稀有物种的识别，结果表明这种方法在图像分类中具有很好的效 - CVPRSuperDisco: 超级类别发现改善长尾数据的视觉识别
本文提出了 SuperDisco 算法，通过图模型发现超类表示，应用元学习方法元学习超类图来得到更稳健的超类图，对于处理长尾分布问题能够有显著提升，实验结果表明该算法在长尾 CIFAR-100，ImageNet、Places 和 iNatu - ICLRCUDA: 长尾识别数据增强课程
通过调查类别加强与表现的相关性，我们提出了一种用于长尾分布的数据增强课程 - CUDA，并在各种失衡数据集上取得更好的泛化性能。
- CVPR使用视觉 Transformer 学习不平衡数据
该论文介绍了一种名为 LiVT 的模型，使用 Long-Tailed 数据进行训练，其中使用了 Masked Generative Pretraining (MGP) 和 Balanced Binary Cross Entropy (Bal - ICCV泛参量对比学习
本文提出了广义参数对比学习（GPaCo /PaCo），其在不平衡和平衡数据上都能很好地工作。实验表明，与 MAE 模型相比，采用 GPaCo 损失训练的模型具有更好的泛化性能和更强的鲁棒性，并且该方法还能应用于语义分割任务中并取得了显著的改 - 相机陷阱图像中野生动物开放式长尾识别的时间流掩码注意力
本研究使用无人照相机和深度学习技术收集野生动物图像，并采用 Temporal Flow Mask Attention Network 网络来解决开放性长尾识别问题，该网络包含光流模块、注意力残差模块和元嵌入分类器，实验证明该方法在未知分类上 - CVPR通过权重平衡进行长尾识别
本文提出了一种通过权重均衡技术来解决长尾识别问题的方法，其中使用了 L2 正则化、权重衰减和 MaxNorm 约束等技术，通过两阶段训练，该方法在五种标准基准测试中取得了最先进的准确性，成为长尾识别未来的基线。
- ECCV多域长尾识别、不平衡域泛化及其它
研究多领域长尾识别（MDLT）的任务，该任务学习来自多领域的不平衡数据，同时处理标签不平衡、领域漂移和不同领域间标签分布的差异，并推广到所有领域 - 类别对。提出了 BoDA 这一理论上基础的学习策略，它跟踪 MDLT 中的传递性统计的上限 - CVPRBatchFormer：学习探索样本关系来实现强鲁棒性表示学习
本研究介绍了一个名为 BatchFormer 的批量转换模块，将其应用于每个 mini-batch 的批量维度以隐式地探索样本之间的关系，并在训练期间对不同样本进行协作，以解决数据稀缺性问题，并在多项数据稀缺应用中取得重要进展，包括长尾识别 - CVPR多数派能助少数派：富有上下文的少数派过采样用于长尾分类
本研究提出了一种新的少数类过采样方法，通过利用多数类的丰富背景图像将少数类图像粘贴到多数类的背景图像上，以实现对少数类样本的多样化扩增，从而改善分类器的泛化性能，并在不进行任何架构变化或复杂算法修改的情况下，在各种长尾分类基准测试上实现了最