Les détecteurs conventionnels ont tendance à effectuer une classification déséquilibrée et subissent une baisse de performance lorsque la distribution des données d'entraînement est fortement biaisée. Dans cet article, nous proposons d'utiliser le score de classification moyen pour indiquer la précision de classification de chaque catégorie pendant l'entraînement. Sur la base de cet indicateur, nous équilibrons la classification grâce à une perte d'équilibre (Equilibrium Loss, EBL) et une méthode d'échantillonnage de caractéristiques augmentées par la mémoire (Memory-augmented Feature Sampling, MFS). Plus précisément, l'EBL augmente l'intensité du réglage de la frontière de décision pour les classes faibles en utilisant un écart de perte guidé par le score conçu entre toutes les paires de classes. De son côté, le MFS améliore la fréquence et la précision du réglage de la frontière de décision pour les classes faibles en sur-échantillonnant les caractéristiques d'instances de ces classes. Ainsi, l'EBL et le MFS travaillent en collaboration pour trouver l'équilibre de classification dans la détection à queue longue, ce qui améliore considérablement les performances des classes à queue longue tout en maintenant ou même en améliorant celles des classes principales. Nous avons mené des expériences sur LVIS en utilisant Mask R-CNN avec diverses architectures de réseaux arrière (backbones), notamment ResNet-50-FPN et ResNet-101-FPN, afin de démontrer la supériorité de notre méthode proposée. Elle améliore les performances de détection des classes à queue longue de 15,6 points AP et surpasse les derniers détecteurs d'objets à queue longue d'au moins 1 point AP. Le code source est disponible sur https://github.com/fcjian/LOCE.