为了利用硬样本（难学的样本，本文中将显著性得分接近0.5的像素定义为难例），本文作者认为所有样本应该以有意义的顺序（即从高可靠性到低可靠性）使用，这对于从噪声标签中挖掘准确的知识是至关重要的。如图3所示，对比了四种梯度函数，除本文提出的方法外，其他方法在训练过程中保持一致，但本文的损失函数从开始为难例分配低梯度，以便从样本中学习可靠的显著性知识，随着训练的进行，难例的梯度越来越大，以挖掘更有价值的

为了利用硬样本（难学的样本，本文中将显著性得分接近0.5的像素定义为难例），本文作者认为所有样本应该以有意义的顺序（即从高可靠性到低可靠性）使用，这对于从噪声标签中挖掘准确的知识是至关重要的。如图3所示，对比了四种梯度函数，除本文提出的方法外，其他方法在训练过程中保持一致，但本文的损失函数从开始为难例分配低梯度，以便从样本中学习可靠的显著性知识，随着训练的进行，难例的梯度越来越大，以挖掘更有价值的