Long Tail Learning
长尾学习是视觉识别中最具挑战性的问题之一,旨在从大量图像中训练出高性能模型,这些图像遵循长尾类别分布。长尾学习的目标是在数据不平衡的情况下,提高模型对少数类别的识别能力,从而实现更公平和全面的性能。该任务的应用价值在于能够有效处理现实世界中的数据偏斜问题,提升模型的泛化能力和实用性。
CelebA-5
OPeN (WideResNet-28-10)
CIFAR-10-LT (ρ=10)
TADE
CIFAR-10-LT (ρ=100)
GLMC+MaxNorm (ResNet-34, channel x4)
CIFAR-10-LT (ρ=200)
CIFAR-10-LT (ρ=50)
GLMC + SAM
CIFAR-100-LT (ρ=10)
TADE
CIFAR-100-LT (ρ=100)
LIFT (ViT-B/16, ImageNet-21K pre-training)
CIFAR-100-LT (ρ=200)
PaCo + SAM
CIFAR-100-LT (ρ=50)
LTR-weight-balancing
COCO-MLT
LMPT(ViT-B/16)
EGTEA
CDB-loss (3D- ResNeXt101)
ImageNet-GLT
RIDE + IFL
ImageNet-LT
VL-LTR (ViT-B-16)
iNaturalist 2018
LIFT (ViT-L/14@336px)
Lot-insts
Character-BERT+RS
MIMIC-CXR-LT
Decoupling (cRT)
mini-ImageNet-LT
TailCalibX
NIH-CXR-LT
Places-LT
VOC-MLT