长尾视觉识别研究综述

对数据的严重依赖是当前限制深度学习发展的主要原因之一。数据质量直接主导深度学习模型的效果，而长尾分布是影响数据质量的因素之一。由于自然界中幂律的普遍存在，长尾现象十分盛行。在这种情况下，深度学习模型的性能往往由头部类主导，而尾部类的学习则严重不充分。为使所有类都得到充分学习，许多研究者已对长尾问题展开研究并初步加以解决。本综述关注长尾数据分布所引起的问题，梳理了具有代表性的长尾视觉识别数据集，并总结了若干主流长尾研究。具体而言，我们从表征学习的角度将这些研究归纳为十类，并概述每类的亮点与局限。此外，我们研究了四种用于评估不平衡的定量指标，并建议使用基尼系数来评估数据集的长尾程度。基于基尼系数，我们定量研究了过去十年提出的 20 个广泛使用的大规模视觉数据集，发现长尾现象普遍存在且尚未被充分研究。最后，我们提供了长尾学习发展的若干未来方向，为读者提供更多思路。