长尾分布（ L o n g − t a i l e d D i s t r i b u t i o n Long-tailed\ Distribution Long−tailed Distribution）是统计学和概率论中的一个重要概念，用于描述一组数据中尾部（即远离均值的部分）包含了相对较多极端值的情况。以下是对长尾分布的详细解释： 定义 长尾分布是重尾分布的一个子类型，其特点是分布的尾部

论文标题 《Improving Calibration for Long-Tailed Recognition》 改进长尾识别的校准工作 作者 Zhisheng Zhong、 Jiequan Cui、Shu Liu 和 Jiaya Jia 香港中文大学和 SmartMore 初读 摘要 深度神经网络在训练数据集类别极度不平衡时可能会表现不佳。最近，两阶段方法将表示学习和分类器学习解

论文标题 《Decoupling Representation and Classifier for Long-Tailed Recognition》 用于长尾识别的解耦表示和分类器 作者 Bingyi Kang、Saining Xie、Marcus Rohrbach、Zhicheng Yan、 Albert Gordo、Jiashi Feng 和 Yannis Kalantidis 来

用于长尾视觉识别的带累积学习的双边分支网络 长尾问题：少数类样本数量大，而多数类的样本很小，是一种数据分布不平衡的问题。 传统解决方法：重加权和重采样，这些方法统称为重平衡方法。之所以可以取得较好的精确度，是因为它能显著的促进深度网络的分类器学习，但同时它又会一定程度上损害已学习的深层特征的表征能力。 双边分支网络：提出的新方法。用于兼顾表征学习和分类器学习。 并通过实验证明了该方法的有

目录 论文使用方法weight decayMaxNorm 如果使用原来的代码报错的可以看下面这个 论文 问题：真实世界中普遍存在长尾识别问题，朴素训练产生的模型在更高准确率方面偏向于普通类，导致稀有的类别准确率偏低。 key:解决LTR的关键是平衡各方面，包括数据分布、训练损失和学习中的梯度。 文章主要讨论了三种方法： L2normalization, weight decay,

论文 问题：真实世界中普遍存在长尾识别问题，朴素训练产生的模型在更高准确率方面偏向于普通类，导致稀有的类别准确率偏低。 key:解决LTR的关键是平衡各方面，包括数据分布、训练损失和学习中的梯度。 文章主要讨论了三种方法： L2normalization, weight decay, and MaxNorm 一些有用的看法： 研究表明，与联合训练特征学习和分类器学习的模型相比，解耦特征学习和分

这是复旦大学2023.12.28开放出来的数据集和论文，感觉很宝藏，稍微将阅读过程记录一下。 Zheng Q, Zhao W, Wu C, et al. Large-scale Long-tailed Disease Diagnosis on Radiology Images[J]. arXiv preprint arXiv:2312.16151, 2023. 项目主页：https://qia

BBN：用于长尾视觉识别的累积学习双边分支网络 BBN: Bilateral-Branch Network with Cumulative Learning for Long-Tailed Visual Recognition 1. 论文信息 标题BBN: Bilateral-Branch Network with Cumulative Learning for Long-Tailed Vi

相比于直接对图像进行分类，本文更关注特征提取部分，通过令提取的不同类特征在超球面上尽可能远离，让属于同一类的特征尽可能靠近，来提高模型面对样本不平衡时的分类性能。 这是本文的方法和效果示意图。第一行的KCL是之前的方法，TSC为本文方法。之前的方法在面对极端的样本不平衡时，训练图像多的类会挤占训练图像少的类，让小样本的类之间的特征混在一起，导致分类准确率下降，而本文方法面对极端不平衡时依然可