本研究提出了均衡损失（EQL v2）、选择性物体对比学习（SoCo）和针对性监督对比学习（TSC）等新方法，以解决长尾目标检测中的不平衡问题。实验结果表明，这些方法在多个数据集上显著提升了模型的识别准确率和泛化能力，尤其在稀有类别上表现突出。

该文综述长尾目标检测与实例分割研究，指出LVIS等长尾数据集中不准确的对象提案分类是性能下降主因，并介绍校准框架、平衡分类、自适应损失、分组Softmax及特征增强等方法，以缓解头尾偏差、提升尾部类别检测与分割精度。