长尾视觉识别

长尾问题：少量类别占据了绝大多数样本，大量类别仅有少量的样本。这种极端的不平衡对分类精度造成了巨大的挑战，尤其是尾部类

长尾问题导致：训练后的模型容易偏向训练数据量大的头类，导致模型在数据量有限的尾类上表现不佳，决策边界的偏差，模糊的特征表示

类别的极度不平衡导致模型学习非常容易被“头部”类别主导而产生过拟合；同时模型对于“尾部”数据的建模能力极其有限，从而在模型测试阶段表现出对长尾数据（尤其“尾部”数据）预测精度不理想的缺陷。特别是在借助深度学习模型进行的视觉识别应用中，尾部数据的数量缺失还使得深度模型的训练难以充分进行，导致特征学习很难达到理想程度，进而影响整个深度模型的泛化表现。

参考：

AI研习丨针对长尾数据分布的深度视觉识别_基于深度特征重构的长尾数据分类算法研究-优快云博客

长尾分布