通过交叉模式特征转移长尾去偏 长尾分布广泛存在于自然分布中，很少有人注意到甚至在相应场景中不同模态之间的不同分布。 想象一下场景：有些人围在桌子旁开会，我们分别记录了视觉和音频数据。 在视觉模态中，我们主要看到桌子，人，椅子，而在音频模态中，我们主要听到人们在说话，设备响起，拍手声。 实际上，这两种模式的数据在分布上并不是很好地对应。 我们关注以下问题： 找出对应场景中不同模态数据分布的差异； 在另一个实例中利用表现良好的类来增强尾部代表不足的类； 在不同方式和不同类别之间进行有效的知识转移。