一 写在前面
未经允许，不得转载，谢谢～～
最近想看看long-tailed recognition是如何处理imbalanced dataset的，对查阅到比较有用的资料做了一个整理和记录。
二 overview
2.1 基本问题介绍
大多数我们用的benchmark都是类别均衡的（每个类别的标注样本数一致），但是事实上自然界中的物体很可能是一个类别均衡的分布，常见类别样本多，稀有类别样本少，更直观的解释可以看下面这张图。
long-tailed recognition解决的就是数据呈现这样长尾分布时候的识别问题。
2.2 资料推荐
这边推荐两个我觉得很不错的link
比较好的中文blog：
https://zhuanlan.zhihu.com/p/158638078long-tailed paper link：
https://github.com/zwzhang121/Awesome-of-Long-Tailed-Recognition
三 typical paper list
根据现有的四大类方法（re-sampling，re-weighting，transfer learning，else），综合根据以上的资料和文章的引用量，code开源等情况整理了以下list，供需要的同学使用～
3.1 re-sampling
通过影响样本采样频率来达到balance，又可以分为头部类别欠采样(under-sampling)和尾部类别过采样（over-sampling)两个细分类别。
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
此类方法主要表现在分类loss上，对loss进行加权。
paper：Class-Balanced Loss Based on Effective Number of Samples，CVPR 2019 （star300+）
paper：Learning Imbalanced Datasets with Label-Distribution-Aware Margin Loss，NIPS 2019（star300+）
3.3 transfer learning
希望将知识从头部类迁移到尾部类别。
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，CVPR 2020
paper：Learning From Multiple Experts: Self-paced Knowledge Distillation for Long-tailed Classification，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 （还没有release，210224）
