Realwelt-Daten weisen häufig eine langschwänzige Verteilung auf, bei der die Anzahl der Proben pro Klasse in den Trainingsklassen nicht gleichverteilt ist. Ungleichgewichtige Daten führen zu einem verzerrten Merkmalsraum, was die Leistungsfähigkeit des Erkennungsmodells verschlechtert. In diesem Artikel stellen wir eine neuartige Methode zur Erkennung langschwänziger Daten vor, um den latenten Merkmalsraum auszugleichen. Zunächst führen wir eine auf MixUp basierende Datenaugmentationstechnik ein, um die Verzerrung der langschwänzigen Daten zu reduzieren. Darüber hinaus schlagen wir eine neue Methode des überwachten kontrastiven Lernens vor, die Supervised Contrastive Learning on Mixed Classes (SMC) heißt, und die für gemischte Bilder entwickelt wurde. SMC generiert eine Menge positiver Beispiele basierend auf den Klassenlabels der ursprünglichen Bilder. Das Mischungsverhältnis der positiven Beispiele gewichtet die positiven Beiträge im Trainingsverlust. Die Kombination von SMC mit einer klassenbasierten Mischungsverlustfunktion erschließt einen vielfältigeren Datenraum und verbessert die Generalisierungsfähigkeit des Modells. Umfangreiche Experimente auf verschiedenen Benchmarks belegen die Wirksamkeit unserer einstufigen Trainingsmethode.