目标检测里的正负样本是怎么定义的？为什么 RetinaNet 要引入 Focal Loss？它解决了什么具体问题？

面试官在考什么

考察检测里最核心的样本分配与类别不平衡问题

YOLO 系列Faster R-CNNDETR

回答框架 · 前两步

1. 正负样本按与 GT 的 IoU 阈值划分，anchor-based 时代靠固定阈值，容易正样本过少
2. 单阶段检测器候选框极多，简单背景样本主导梯度，导致训练被易分负样本淹没

延伸阅读

• 项目深挖：五层结构下的追问与逐字稿

想看这个方向的整体准备路线？ 进入「CV 与多模态」方向页

同一能力域的其他题

• 你用 YOLOv5s 训一个 4 类缺陷检测（输入 640×640，8000 张训练图），验证集整体 mAP@0.5=0.82，但尺寸在 16~24px 的小目标那一类占比 12%、AP 只有 0.31。部署在边缘设备上，batch=1 时单帧 22ms，延迟预算是 30ms。现在要求你把小类的 AP 提上去且不能突破延迟预算。请给出你的排查顺序，以及每一步具体要动哪个配置/参数、预期效果和验证方式。
• 某产线质检场景：6 路 1080p 摄像头，每路需要 25 FPS，合计 150 FPS 吞吐；检测 5 类缺陷，其中最小缺陷在 1080p 画面里约 20×20 像素；可用一张约 100 TOPS 的推理卡；单路单帧延迟预算 40ms，其中预处理+后处理实测已占 8ms。请给出你会选 YOLO 哪个版本、哪个尺寸档，推理预算怎么算，小目标怎么保证，以及你打算用什么指标证明方案达标。
• 团队在边缘 SoC（INT8 约 4 TOPS，attention 类算子支持很差）上跑一个量产的实时检测模型，现状是 1080p 输入下 30ms、mAP 0.42。硬件不能换，业务要求端到端 15ms 且 mAP 不低于 0.42。候选路线有三条：(A) 换成 YOLOv8/v10 这类较新版本；(B) 保留现有 anchor-based 结构，只改 backbone/neck 和输入策略；(C) 降输入分辨率，再级联一个只跑 ROI 的二阶段补检。请给出你的技术判断：你会用哪些判据来选路线，两周内怎么做出可辩护的决策，以及怎么让算法、部署、业务三方都接受这个结论。
• YOLOv3 常被描述为“三个尺度预测”。假设输入 416×416，主干输出 13×13、26×26、52×52 三个尺度的特征图，每个格点配 3 个 anchor，检测 80 类。请回答：(1) 一张图总共输出多少个预测框？(2) 每个预测框的向量是多少维、每一维分别代表什么？(3) 为什么是小尺寸的特征图负责大目标，而不是反过来？
• 你接手一个 Faster R-CNN（ResNet-50 + FPN）检测项目，12 类，数据里存在宽高比约 1:8 的细长目标。RPN 使用默认的 3 个 scale × 3 个 ratio 的 anchor，输入 800×1333。你测出 RPN 在 IoU=0.7 阈值下召回只有 0.55，而送到 ROI head 的 proposal 里正样本比例只有 8%。团队里有人建议「把 RPN 的正负样本比例从 1:3 改成 1:1，再把 batch size 调大」。请评估这个建议，并说明你会改哪些参数、依据是什么、怎么验证改了以后 RPN 而不是 head 变好了。
• 一个离线批处理任务：20 万张图，30 类，目标普遍偏小且同类目标常成簇叠在一起（一张图里同类可叠 20 个以上），允许 8 卡跑 12 小时，评测只看精度不看延迟。团队有人提议用 YOLO 一把梭，你会不会改用 Faster R-CNN？说明判断依据，以及如果用它，RPN 的 anchor 和 ROI 采样你会怎么配。