本文介绍了一种基于ACE的长尾识别方法，显著提升了CIFAR和ImageNet等数据集的性能。通过对比学习和视觉-语言结合，提出了高效的Prompt调整方法和动态调整技术，优化了视觉变换器的适应性和推理效率，验证了在多种任务中的优越表现。

本研究探讨了不同平衡策略对长尾识别的影响，发现简单的实例平衡抽样能有效提升分类器性能。提出的多阶段训练方案和提示调整方法在长尾分类中表现优异，尤其在多个数据集上取得了先进结果。此外，研究构建了统一框架，结合文本和图像，显著提高了小类别的识别能力。

本文介绍了一种用于长尾识别的解耦监督对比学习方法，通过解耦正样本并优化它们的关系来减轻数据集不平衡的影响。同时，提出了基于块的自蒸馏方法，将知识从头类转移到尾类，以缓解尾类表征不足的问题。实验结果显示该方法在长尾识别任务中表现出较好的性能。

该论文探讨了通过有针对性的监督对比学习（TSC）提高长尾识别中少数类的准确率，提出了平衡对比学习（BCL）和遮蔽对比学习等方法，以优化特征学习和分类精度。实验结果表明，这些方法在多个数据集上表现优异，超越了现有技术。