تواجه الأجهزة الكشف التقليدية تدهورًا في الأداء عند التعامل مع البيانات ذات الذيل الطويل بسبب التحيز في التصنيف نحو الفئات الرئيسية الأكثر شيوعًا. وفي هذا البحث، ندعي أن هذا التحيز في التعلم ينبع من عاملين رئيسيين: 1) المنافسة غير المتساوية الناجمة عن التوزيع غير المتوازن للفئات الأولى، و2) نقص التنوع في العينات للفئات ذيلية. لمعالجة هذه القضايا، نقدم إطارًا موحدًا يُسمى BAlanced CLassification (BACL)، والذي يمكنه تصحيح عدم المساواة الناجم عن الاختلافات في توزيع الفئات بشكل متكيف، وتعزيز التنوع في العينات بشكل ديناميكي بطريقة متزامنة.وبشكل خاص، تم تطوير خسارة جديدة للتصنيف المتوازن للصفوف الأمامية (FCBL) بهدف تخفيف هيمنة الفئات الرئيسية والتركيز على الفئات الصعبة التمييز من خلال إدخال هوامش فروق بين الأصناف وشروط وزنية ذاتية التعديل، على التوالي. هذه الخسارة تحول دون قمع الفئات ذيلية بشكل مفرط في سياق المنافسة غير المتساوية. بالإضافة إلى ذلك، نقترح وحدة هلوسة ميزات ديناميكية (FHM)، والتي تعزز تمثيل الفئات ذيلية في فضاء الميزات بإنشاء عينات هلوسية لإدخال تباينات بيانات إضافية.في هذا النهج القائم على تقسيم المشكلة ثم حلها، يحقق BACL مستوىً جديدًا من الريادة على مقاييس LVIS الصعبة باستخدام خط أنابيب تدريب منفصل، حيث يتفوق على الإصدار الأساسي من Faster R-CNN مع ResNet-50-FPN بنسبة 5.8% AP و16.1% AP لكل من الفئات الكلية والفئات ذيلية. وقد أظهرت التجارب الواسعة أن BACL يحقق باستمرار تحسينات في الأداء عبر مختلف المجموعات البيانات وباستخدام هياكل وأنظمة مختلفة. يمكن الوصول إلى الرموز والنماذج عبر الرابط https://github.com/Tianhao-Qi/BACL.