decoupling representation and classifier（解耦特征表示模块和分类模块），将原来的分类模型拆分成两部分分别进行训练。比如ResNet-50，一般有神经网络层+分类层（全连接+softmax）构成。以前的模型是对这两部分做联合估计和拟合，但是decoupling representation and classifier是将这两部分分开来估计。
来源
该方法来自于论文：DECOUPLING REPRESENTATION AND CLASSIFIER FOR LONG-TAILED RECOGNITION
论文网址：https://openreview.net/pdf?id=r1gRTCVFvB
论文代码：https://github.com/facebookresearch/classifier-balancing
该方法据说有The state of art的效果，但本人还没有测试。
数据集
论文数据集
Places-LT 、mageNet-LT 、iNaturalist 2018都是图片数据集。三个数据集有些类别的样本量特别少（如5个），而有些类别的样本量很多（如5千个）。建模目的是对图片进行分类。
模型架构
特征表示部分使用ResNet-50模型，分类部分作者尝试了多种形式，这些形式的一般形式是
1）Classifier Re-training (cRT)
先对ResNet-50和classifire部分进行训练，然后ResNet-50模型架构保持不变，利用class-balanced数据对上面的一般形式进行拟合。
2）Nearest Class Mean classifier (NCM)
对ResNet-50模型输出的特征利用距离公式（如cosin，欧式距离）计算样本之间的距离来得到最后样本的类别。
3）τ-normalized classifier (τ-normalized)
为了使得每个类别的权重一致，对权重W进行标准化处理，如下（其中tou是一个超参数）：
4）Learnable weight scaling (LWS)
固定特征模块和分类模型，利用class-balanced数据估计fi.
数据抽样方式
论文中的抽取样本的方式有多种，一般公式是：
pj的意思是第j个类别被抽到的概率。
1）Instance-balanced sampling
每个样本被抽到的概率是相等的，q=1.
2）Class-balanced sampling
每个类别被抽到的概率是相等的，q=0.
3）Square-root sampling
q=0.5
4）Progressively-balanced sampling
其中t表示epoch。
模型效果
下面展示的模型效果均来自于论文。
对于少样本量的数据，解耦特征部分和分类部分的效果要好。而对于多样本量的数据，联合拟合模型的效果要好。
下表是解耦方法和其他方法在三个数据集上的效果比较，解耦方法的效果好很多。
注：以上内容均为本人对论文的理解，如有不当之处，欢迎各位网友留言指正。