传统检测器在训练数据分布严重偏斜时，往往会出现分类不平衡并导致性能下降。本文提出使用平均分类得分来指示训练过程中每个类别的分类准确性。基于这一指标，我们通过均衡损失（Equilibrium Loss, EBL）和增强记忆特征采样（Memory-augmented Feature Sampling, MFS）方法来平衡分类。具体而言，EBL 通过设计的两类之间的得分引导损失裕度，增加对弱类决策边界的调整强度。另一方面，MFS 通过对弱类的实例特征进行过采样，提高对弱类决策边界调整的频率和准确性。因此，EBL 和 MFS 协同工作，在长尾检测中寻找分类平衡点，显著提升了尾部类别的性能，同时保持甚至提高了头部类别的性能。我们在 LVIS 数据集上使用 Mask R-CNN 及其多种骨干网络（包括 ResNet-50-FPN 和 ResNet-101-FPN）进行了实验，以展示所提方法的优势。该方法将尾部类别的检测性能提高了 15.6 AP，并且比最新的长尾目标检测器高出超过 1 AP。代码可在 https://github.com/fcjian/LOCE 获取。