摘要
现有的长尾分类（Long-Tailed, LT）方法仅关注类别层面的不平衡问题，即头部类别样本数量多于尾部类别，而忽略了属性层面的不平衡。事实上，即使在类别分布均衡的情况下，由于属性的差异性，同一类别内部的样本分布仍可能呈现长尾状。值得注意的是，这种属性层面的不平衡在本质上比类别层面更为普遍且更具挑战性，因为大多数数据集中的属性不仅具有隐含性，还呈现出组合上的复杂性，因此在实际中难以实现完全平衡。为此，我们提出一个全新的研究问题：广义长尾分类（Generalized Long-Tailed Classification, GLT），旨在同时考虑上述两类不平衡问题。所谓“广义”，意味着一个GLT方法应当能够自然地解决传统LT问题，但反之则不成立。出乎意料的是，我们在所提出的两个新基准——ImageNet-GLT与MSCOCO-GLT上发现，大多数现有的类别层面LT方法均出现性能退化。我们认为，其根本原因在于这些方法过度强调对类别分布的调整，而忽视了对属性不变特征的学习。为此，我们提出一种新的不变特征学习方法（Invariant Feature Learning, IFL），作为GLT任务的首个强基准方法。IFL首先从不完美预测中识别出具有显著类内分布差异的环境，然后在这些环境中学习具有不变性的特征表示。令人鼓舞的是，作为特征提取的改进骨干网络，IFL能够显著提升各类长尾分类方法的性能，包括单阶段/两阶段重加权、数据增强以及集成学习等主流策略。相关代码与基准数据集已开源，详见：https://github.com/KaihuaTang/Generalized-Long-Tailed-Benchmarks.pytorch