這篇cvpr2019的論文主要提出了一個損失函數Class-Balanced Loss用來處理數據長尾問題
長尾問題是由於分類問題中數據集每類的數據量不同，導致分類准確度下降。舉個極端點的例子有助於理解：A、B二分類問題，數據集中，A、B數據量比例為999：1，為了減少損失值，網絡很自然的將所有圖片都分到A類，這樣准確率為99.9%，但是明顯這個網絡不能用。
為了解決長尾問題，前人也提出了不少辦法，比如將B圖片數據增強，縮放、旋轉、平移、裁剪，使得B類別中有999張圖片，這樣數據就均衡了；或者給A的損失值之前加一個權重系數（1/999）。理想很豐滿，現實很骨感。這樣做提升效果有限。
為什么呢？打個比方：假設AB兩個類別分別是一個圓形，數據集中的數據就是圓形中的點。如果訓練時你能把圓中每個點都取到了，測試時網絡的准確率一定是100%，畢竟所有點都記錄在案了。然而實際上不可能取到圓中每一個點，同樣也不能取到類中的每一個數據。我們可以退而求其次，如果能從圓中均勻的取足夠多的點，也能反應出這個圓（類別）的特性。然而用上面提到的兩種方法做數據增強，相當於在已有點周圍取點，很明顯這些點不能反映圓（類別）的特性。
那什么樣的點能夠反映圓的特性呢？換言之，哪些點是有效的，哪些點是無效的呢？
這篇論文一開始就提出一個概念：Effective Number（有效數據，用E來表示），如果知道了每個類別中的有效數據數量，問題似乎就好辦多了：CB = 1/E * L 。其中CB是本文提出的Class-Balanced Loss，L是普通損失函數，可以任意更換。
現在要做的就是求有效數據E。先給結論：
，其中
，N為有效樣本的上限，該類別的采樣數（數據集中該類別的圖片數量），可以用歸納法證明
當n=1時，E1=1
當n>1時，
，因為
所以，
所以最終，
是Class-Balanced Loss
是普通損失函數，可以任意更換。
由於現實中，N無法得到，因此無法計算，因為N幾近無窮，因此β取一個接近1的數，作者代碼里給的是0.9999。
這樣，這個問題就完美解決。
作者在論文里還嘗試了該算法與一些傳統算法結合，效果也不錯：
