Die konventionellen Detektoren neigen dazu, eine unbalancierte Klassifizierung vorzunehmen und an Leistung zu verlieren, wenn die Verteilung der Trainingsdaten stark verzerrt ist. In dieser Arbeit schlagen wir vor, den mittleren Klassifizierungsgrad zu verwenden, um die Klassifizierungsgenauigkeit für jede Kategorie während des Trainings anzugeben. Basierend auf diesem Indikator balancieren wir die Klassifizierung durch einen Gleichgewichtsverlust (Equilibrium Loss, EBL) und eine Merkmalssampling-Methode mit Speicherunterstützung (Memory-augmented Feature Sampling, MFS). Insbesondere erhöht EBL die Intensität der Anpassung der Entscheidungsgrenze für schwache Klassen durch einen gezielt gestalteten Verlustabstand zwischen je zwei Klassen. Andererseits verbessert MFS die Häufigkeit und Genauigkeit der Anpassung der Entscheidungsgrenze für schwache Klassen durch das Überproportionale Abtasten der Instanzmerkmale dieser Klassen. Somit arbeiten EBL und MFS zusammen, um das Klassifikationsgleichgewicht bei langschwänziger Detektion zu finden, und verbessern die Leistung von Schwanzklassen erheblich, während sie gleichzeitig oder sogar noch die Leistung von Kopfklassen aufrechterhalten. Wir führen Experimente unter Verwendung von Mask R-CNN mit verschiedenen Backbones wie ResNet-50-FPN und ResNet-101-FPN durch, um die Überlegenheit der vorgeschlagenen Methode zu demonstrieren. Sie verbessert die Erkennungsleistung von Schwanzklassen um 15,6 AP und übertrifft die neuesten langschwänzigen Objekterkennungsdetektoren um mehr als 1 AP. Der Quellcode ist unter https://github.com/fcjian/LOCE verfügbar.