近日，我中心吴清强教授团队的一篇最新论文被计算机视觉领域的顶级会议ICCV录用。计算机视觉国际大会（ICCV），全称为International Conference on Computer Vision，是计算机视觉领域的全球顶级学术会议，被中国计算机学会（CCF）评为A类会议。ICCV 2025将于2025年10月19日至23日在夏威夷檀香山举行。本次会议共收到11239篇高质量投稿，最终录用2698篇论文，录用率仅为24%。
论文题目：Supervised Exploratory Learning for Long-Tailed Visual Recognition。由我中心简忠权+博士、陈颜皓+博士，马来西亚校区汪彦丞同学，姚俊峰老师、王美红老师和吴清强老师合作完成。
长尾数据对深度学习模型提出了重大挑战，这些模型往往倾向于优先保证头部类别的分类准确性，而严重忽略尾部类别。现有技术（如类别重平衡、逻辑调整和数据增强）主要致力于扩大尾部类别的决策区域或实现清晰的决策边界，却忽视了决策区域的鲁棒性。本文提出了一种简单而有效的监督式探索学习框架（SEL），从空间探索的角度同时实现上述目标。SEL采用自适应最优觅食算法（OFA）生成多样化的探索样本，并结合类别偏置补偿（CbC）实现类别分布平衡，以及适应度加权采样（FwS）进行空间探索。理论分析和实验结果均表明，SEL能够提升类别平衡性、锐化决策边界并强化决策区域。SEL是一种即插即用的训练框架，可无缝集成到模型训练或分类器调整阶段，具有高度适应性和兼容性，能够与现有方法结合并进一步提升性能。在多个长尾基准数据集上的大量实验证明了SEL的优越性。
