一 寫在前面
未經(jīng)允許，不得轉(zhuǎn)載载绿，謝謝～～
最近想看看long-tailed recognition是如何處理imbalanced dataset的，對查閱到比較有用的資料做了一個整理和記錄油航。
二 overview
2.1 基本問題介紹
大多數(shù)我們用的benchmark都是類別均衡的（每個類別的標(biāo)注樣本數(shù)一致）崭庸，但是事實上自然界中的物體很可能是一個類別均衡的分布，常見類別樣本多，稀有類別樣本少怕享，更直觀的解釋可以看下面這張圖执赡。
long-tailed recognition解決的就是數(shù)據(jù)呈現(xiàn)這樣長尾分布時候的識別問題。
2.2 資料推薦
這邊推薦兩個我覺得很不錯的link
比較好的中文blog：
https://zhuanlan.zhihu.com/p/158638078long-tailed paper link：
https://github.com/zwzhang121/Awesome-of-Long-Tailed-Recognition
三 typical paper list
根據(jù)現(xiàn)有的四大類方法（re-sampling函筋，re-weighting沙合，transfer learning，else）跌帐，綜合根據(jù)以上的資料和文章的引用量首懈，code開源等情況整理了以下list，供需要的同學(xué)使用～
3.1 re-sampling
通過影響樣本采樣頻率來達到balance谨敛，又可以分為頭部類別欠采樣(under-sampling)和尾部類別過采樣（over-sampling)兩個細分類別究履。
paper：ICLR2020: Decoupling Representation and Classifier for Long-Tailed Recognition, ICLR 2020 （star300+）
- paper：https://arxiv.org/abs/1910.09217
- code： https://github.com/facebookresearch/classifier-balancing
paper：BBN: Bilateral-Branch Network with Cumulative Learning for Long-Tailed Visual Recognition，CVPR 2020 （star300+）
3.2 re-weighting
此類方法主要表現(xiàn)在分類loss上脸狸，對loss進行加權(quán)最仑。
paper：Class-Balanced Loss Based on Effective Number of Samples，CVPR 2019 （star300+）
paper：Learning Imbalanced Datasets with Label-Distribution-Aware Margin Loss炊甲，NIPS 2019（star300+）
3.3 transfer learning
希望將知識從頭部類遷移到尾部類別泥彤。
paper：Large-Scale Long-Tailed Recognition in an Open World，CVPR 2019 （star500+）
paper：Deep Representation Learning on Long-tailed Data: A Learnable Embedding Augmentation Perspective卿啡，CVPR 2020
paper：Learning From Multiple Experts: Self-paced Knowledge Distillation for Long-tailed Classification吟吝，ECCV 2020
3.4 else
paper：Long-tailed Recognition by Routing Diverse Distribution-Aware Experts, arxiv 2020
paper：ResLT: Residual Learning for Long-tailed Recognition，arxiv2021
- https://arxiv.org/abs/2101.10633
- https://github.com/FPNAS/ResLT （還沒有release颈娜，210224）
