1.hard example mining(困难样本挖掘)✨✨✨
困难例挖掘方法通常可以提高目标检测器的性能，因为它受到不平衡训练集的影响。为了通过RoI正确地挖掘困难例，引入了在线困难例挖掘（OHEM）方法[15]。该方法建议只考虑对反向传播最有利的RoI。给出最高损失值的RoI被认为是最难的例子，因此也是最有利的例子。因此，上述方法选择了B/N个最差的损失案例进行训练，并在训练中丢弃了其余的案例。尽管这种新方法是困难例挖掘中最有前途的方法之一，但它只适用于two-stage网络，因为它需要RoI来工作。
1.2 改进的one-shot目标检测的困难样本挖掘方法🚀🚀🚀
论文：https://arxiv.org/pdf/2202.13080.pdf
图1: YOLOv5对象性损失（左）与提议的综合损失（右）。对于提议的损失，首先对每个单元应用平衡焦点损失，而不是BCE，然后对每个特征图，检测按其损失值进行排序。最后，选择具有最高损失值的前B级检测进行损失计算和反向传播。
