. 到底什么是 Hard-Negative先拆解“Negative负例”在目标检测中负例就是“背景”。比如一张切片里没有任何车、人、飞机只有地面、屋顶、树木这就该被模型判断为“没有目标”。再拆解“Hard难的”如果这张切片是一面纯白墙壁模型一眼就知道是背景这叫Easy Negative简单负例对训练帮助不大。但如果这张切片是密集的树冠阴影、圆形屋顶或带有纹理的碎石路面——它们的纹理、边缘或颜色与你要检测的目标比如坦克、车辆有相似之处导致模型在推理时输出了0.8的高置信度以为有目标但实际GT标注框显示这里啥也没有。核心定义被模型误判为正样本False Positive误报且置信度较高的负样本就是 Hard-Negative。2. 与之强相关的核心概念横向对比为了理清头绪我把它们按“样本质量”和“训练策略”分成两类1按“难度”划分的样本梯队Positive正例含有GT目标真实框的样本模型应该预测为“有”。Easy-Negative简单负例与目标毫无相似之处的纯背景模型轻易就能正确识别为“无”。数量极多但训练价值低Hard-Negative难负例模型“看走眼”的背景。特征表达与正例高度重叠是导致误报FP的罪魁祸首。Hard-Positive难正例虽然含有GT目标但目标极度模糊、被遮挡、尺寸极小或光照极暗导致模型很难认出来漏检即False Negative。与之对应的是Easy-Positive清晰的大目标。2按“挖掘和处理策略”划分的概念你最需要关注的操作Hard Negative Mining难例挖掘缩写HNM这是一种主动训练策略。即在每一轮训练中专门筛选出那些被模型分错的Hard-Negative把它们强行加回训练集让模型“知耻而后勇”地重点学习这批困难样本。OHEM在线难例挖掘HNM的进化版。在训练过程中不依赖离线数据筛选而是在当前的batch批次内自动计算所有样本的损失Loss只挑选损失最大的那批Hard-Negative进行反向传播。“按规则并进训练集”本质上就是离线版的HNM。Focal Loss焦点损失这是一种损失函数用来替代传统的交叉熵损失。它的设计初衷就是为了解决Easy-Negative和Hard-Negative的数量极度不平衡正负样本悬殊。它会自动降低Easy-Negative的权重让模型把注意力聚焦在Hard-Negative上——你不必手动挖掘算法在计算损失时自动帮你做了。3. 结合SAHI 场景理清逻辑问题“真空白图被大量误报”如果误报置信度很高那就是典型的Hard-Negative原本连GT都没有模型却以为有。“有GT但SAHI报得过多”中的空白子切片这些切片虽然来自有目标的母图但切片本身不含GT且纹理复杂导致误报它们也是 Hard-Negative。所以“反切成负切片再并进训练集”这一动作在学术上就叫做基于位置规则IoU0筛选的离线 Hard Negative Mining 策略。你做得很标准这在工业界往往比单纯改损失函数见效更快。