论文标题：FASA: Feature Augmentation and Sampling Adaptation for Long-Tailed Instance Segmentation 论文链接：https://arxiv.org/abs/2102.12867 作者单位：南洋理工大学(Chen Change Loy团队) & CMU 即插即用！可插入标准或长尾的分割框架中，表现SOTA！性能优于SimCal、Mask R-CNN等网络，代码即将开源！

长尾实例分割的最新方法仍然在训练数据很少的稀有目标类上苦苦挣扎。我们提出了一种简单而有效的方法，即特征增强和采样自适应（FASA），该方法通过增加特征空间（特别是针对稀有类）来解决数据稀缺问题。特征增强（FA）和特征采样组件均适应于实际的训练状态-FA通过过去迭代中观察到的真实样本的特征均值和方差来告知，并且我们以一种适应损失的方式对生成的虚拟特征进行了采样避免过度拟合。 FASA不需要任何复杂的损失设计，并且消除了类间迁移学习的需要，后者通常涉及大量成本和手动定义的头/尾类组。我们展示了FASA是一种快速，通用的方法，可以轻松地插入标准或长尾的细分框架中，并具有一致的性能提升，而增加的成本却很少。 FASA还适用于其他任务，例如具有最新性能的长尾分类。代码将被开源。