Long Tail Learning
Die Methodologie bezieht sich auf die systematischen Methoden und Schritte, die in der Forschung oder beim Problemlösen angewendet werden. Ihr Ziel ist es, durch einen wissenschaftlichen und standardisierten Prozess die Genauigkeit und Zuverlässigkeit der Forschung sicherzustellen, um die Effizienz und Qualität des Problemlösens zu verbessern. In verschiedenen Bereichen ist der Anwendungswert der Methodologie besonders hervorzuheben; sie hilft Forschenden nicht nur dabei, ihre Forschungsrichtung zu klären, sondern bietet auch eine standardisierte Handlungsanweisung für die Umsetzung von Projekten und fördert die interdisziplinäre Zusammenarbeit sowie den Austausch von Ergebnissen.
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