论文
代码
近几年，关于long-tailed或imbalanced problem在各个领域都受到持续关注，cvpr、iccv等会议也一直有关于相关问题的topic。最近，偶然读到了几篇关于解决该问题的比较有意思的文章，于是就简单记录一下。这篇文章BAGS是针对object detection中的long-tailed问题（LVIS 2019 challenge数据集），本人不是做cv的，但是实验中发现其迁移到其他imbalanced classification上同样适用。
Introduction
作者首先在detection框架中解耦了表示representation和分类模块，发现对于不同种类的proposal分类器的权重是严重不平衡的，因为low-shot类不能有很好的机会能够被**。这是目标检测中long-tailed数据集上结果差的一个直接原因（因为数据不平衡）。如下图：
可以发现在COCO数据集上，相对平衡的数据分布也会在不同种类间得到相对平衡的weight norm，除了background类(CID=0).而在LVIS数据集
论文
代码
近几年，关于long-tailed或imbalanced problem在各个领域都受到持续关注，cvpr、iccv等会议也一直有关于相关问题的topic。最近，偶然读到了几篇关于解决该问题的比较有意思的文章，于是就简单记录一下。这篇文章BAGS是针对object detection中的long-tailed问题（LVIS 2019 challenge数据集），本人不是做cv的，但是实验中发现其迁移到其他imbalanced classification上同样适用。
Introduction
作者首先在detection框架中解耦了表示representation和分类模块，发现对于不同种类的proposal分类器的权重是严重不平衡的，因为low-shot类不能有很好的机会能够被**。这是目标检测中long-tailed数据集上结果差的一个直接原因（因为数据不平衡）。如下图：
可以发现在COCO数据集上，相对平衡的数据分布也会在不同种类间得到相对平衡的weight norm，除了background类(CID=0).而在LVIS数据集