BBN: Bilateral-Branch Network with Cumulative Learning for Long-Tailed Visual Recognition

       针对长尾分布中的不平衡分类问题，本文首次发现这些重新平衡方法能够实现令人满意的识别精度，这是因为它们可以显着地促进深度网络的分类学习。但是同时它们也在一定程度上破坏了学习到的深度特征的代表能力。 因此，本文提出了一个统一的双边分支网络(BBN)来同时处理表示学习和分类器学习，其中每个分支分别各自执行自己的职责 特别是，我们的BBN模型进一步配备了一种新的累积学习策略，其目的是首先学习通用模式，然后逐渐关注尾部数据。
       工作初步首先做了验证实验，将深度网络的训练过程分为两步，分别执行特征学习和分类器学习。在第一个特征学习阶段，分别采用传统交叉熵训练方法，重加权和重采样去获得对应的特征表示。然后再第二个分类阶段，我们首先固定特征学习阶段的参数，然后训练这些网络的分类器（也就是全连接层），也是用第一阶段的三种方法。结果显示，当固定特征表示方式时，重平衡方法达到较低的错误率，表明他们能提升分类器学习。另一方面，当固定分类器学习方式， 对原始不平衡数据进行传统方法训练，可以根据其更好的特征带来更好的效果。 此外，重新平衡方法的更糟糕的结果证明了它们将损害特征学习。

       正如概念上所证明的那样，在重新平衡之后，决策边界（即黑色固体弧)准确地对尾部数据进行分类(即红色方格）。 然而，每个类的类内分布变得更加分离。