Dieser Artikel stellt die Lösungen des Teams lvisTraveler für die LVIS Challenge 2020 vor. In dieser Arbeit werden zwei zentrale Eigenschaften des LVIS-Datensatzes berücksichtigt: die langschwanzige Verteilung der Klassen und die hohe Qualität der Instanzsegmentierungsmasken. Wir implementieren einen zweistufigen Trainingspipeline-Ansatz. Im ersten Stadium nutzen wir EQL (Enhanced Quality Learning) und Self-Training, um generalisierte Darstellungen zu erlernen. Im zweiten Stadium setzen wir Balanced GroupSoftmax ein, um den Klassifikator zu verbessern, und stellen eine neuartige Vorschlagszuweisungsstrategie sowie eine neue balancierte Maskenverlustfunktion für den Masken-Head vor, um präzisere Maskenvorhersagen zu erzielen. Abschließend erreichen wir eine AP von 41,5 auf dem Val-Set und 41,2 auf dem Test-Dev-Set von LVIS v1.0, wobei wir die Baseline auf Basis von X101-FPN-MaskRCNN erheblich übertreffen.