Long Tail Learning
Methodology는 연구나 문제 해결에서 체계적으로 사용되는 방법과 단계를 의미합니다. 이는 과학적이고 표준화된 절차를 통해 연구의 정확성과 신뢰성을 보장하여 문제 해결의 효율성과 품질을 높이는 것을 목표로 합니다. 다양한 분야에서 Methodology의 적용 가치는 특히 두드러지며, 연구자들이 연구 방향을 명확히 하는 데 도움을 주고 프로젝트 실행을 위한 표준화된 운영 가이드를 제공하여 학제 간 협력과 결과 공유를 촉진합니다.
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