딥러닝은 대규모 인공적으로 균형 잡힌 데이터셋을 사용함으로써 이미지 인식에서 놀라운 성능을 달성할 수 있다. 그러나 실제 세계의 데이터셋은 매우 불균형한 클래스 분포를 보이며, 이로 인해 두 가지 주요 과제가 발생한다: 클래스 간 상대적 불균형과 중간 샘플( medium-shot) 또는 소량 샘플(few-shot) 클래스에 대한 데이터 부족 문제이다. 본 연구에서는 훈련 세트가 매우 불균형하지만 테스트 세트는 균형을 유지하는 ‘긴 꼬리 인식(long-tailed recognition)’ 문제를 다룬다. 기존의 데이터 재표본화(data-resampling), 비용 민감 학습(cost-sensitive learning), 온라인 하드 예제 마이닝(online hard example mining), 손실 함수 재구성(loss objective reshaping), 메모리 기반 모델링 등에 의존하는 기존 접근 방식들과 달리, 다양한 분류기의 강점을 결합하는 클래스 균형형 전문가(ensemble of class-balanced experts)를 제안한다. 제안한 클래스 균형형 전문가 앙상블은 최신 기준에 근접한 성능을 달성하였으며, 확장된 앙상블은 긴 꼬리 인식을 위한 두 가지 벤치마크에서 새로운 최고 성능을 기록하였다. 우리는 앙상블의 성능을 분석하기 위해 광범위한 실험을 수행하였으며, 현대의 대규모 데이터셋에서 상대적 불균형이 데이터 부족보다 더 어려운 문제임을 발견하였다. 훈련 및 평가 코드는 https://github.com/ssfootball04/class-balanced-experts 에서 제공된다.