目标检测分类设计的关键在于合理性和实用性，而非类别数量。核心原则包括：类别必须互斥且视觉差异明显（如避免"鸟vs动物"或地域性细分）、同一类别需覆盖多样场景（如不同天气/距离的鸟类）、避免按尺寸分类。类别数量应根据数据规模调整（小数据集5-10类，大数据集可达100类）。判断标准是人类能否稳定区分（95%准确率）。需注意类别过多会导致数据不平衡、标签噪声和AP下降，尤其在检测任

本文提出了一种新型边界框回归损失函数Inner-IoU，通过引入缩放因子ratio生成不同尺度的辅助边界框计算损失，有效解决了现有IoU损失泛化能力弱的问题。理论分析表明，较小辅助框可加速高IoU样本回归，较大辅助框则促进低IoU样本收敛。实验证明，将Inner-IoU集成到现有IoU损失中，在PASCAL VOC和AI-TOD数据集上分别实现了0.5%以上的AP提升，尤其在小目标检测任务中表现突

本文介绍了C++中条件变量(ConditionVariable)在多线程同步中的应用。条件变量配合互斥量使用，可避免线程忙等待，实现高效线程间通信。通过生产者-消费者模型示例，展示了条件变量的核心使用流程：等待线程通过wait()阻塞，通知线程通过notify_one/all()唤醒等待线程。重点解析了wait()的内部机制：自动释放锁、条件检查、重新加锁的过程。文章还详细说明了生产结束时的处理方

全连接层的计算过程可以表示为 Y = X * W + b，其中 X 是输入数据的向量，W 是权重矩阵，b 是偏置向量，Y 是输出数据的向量。在图像分类任务中，通常会在全连接层之前使用卷积层和池化层来提取特征，然后通过全连接层将提取的特征映射到不同类别的概率或得分。在全连接层中，每个输入神经元都与输出层的每个神经元相连，形成一个完全连接的结构。总之，全连接层是神经网络中的一种层类型，每个输入神经元与

在机器学习和深度学习中，"sampling"（采样）通常指从一个数据集中选择（或提取）一部分样本的过程。这个过程可以是随机的，也可以是根据特定的采样策略进行选择。高置信度样本挖掘：在训练过程中，根据模型对样本的置信度或预测概率选择具有较高置信度的样本。通过合理的采样方法，可以有效地利用有限的数据集，并提高模型的性能和泛化能力。硬负样本挖掘：在目标检测和分类任务中，从负样本中选择更具挑战性的样本。例

在机器学习和深度学习中，"sampling"（采样）通常指从一个数据集中选择（或提取）一部分样本的过程。这个过程可以是随机的，也可以是根据特定的采样策略进行选择。高置信度样本挖掘：在训练过程中，根据模型对样本的置信度或预测概率选择具有较高置信度的样本。通过合理的采样方法，可以有效地利用有限的数据集，并提高模型的性能和泛化能力。硬负样本挖掘：在目标检测和分类任务中，从负样本中选择更具挑战性的样本。例