目标检测中的正负样本是什么，是如何起作用的？
1、正负样本的定义
1.1、正样本
正样本是指那些与真实目标（Ground Truth, GT）有很高关联性的样本，其作用是让模型学习目标的位置和类别特征。举个例子：
Anchor-based中，如果一个候选框（Anchor）与目标框的重叠程度（IoU，交并比）大于一定阈值，可以被认为是正样本。
Anchor-free中，如果某个像素点或者区域落在目标框内且符合预定条件，则被认为是正样本。
1.2、负样本
负样本是指那些与真实目标没有强关联的样本，其作用是帮助模型区分背景和目标，减少误报。举个例子：
Anchor-based中，如果一个候选框与目标框的IoU小于某个阈值，就被认为是负样本。
Anchor-free中，如果某个像素点或区域不在目标框内或未被标记为正样本，则是负样本。
2、正负样本在检测中到底是怎么起作用的
目标检测损失函数通常由三部分组成：
置信度损失（Objectness Loss）：用于区分正样本（框住了目标）和背景（负样本）。
边界框回归损失（Localization Loss）：优化正样本预测框的位置和大小。
分类损失（Classification Loss）：预测正样本的目标类别。
如果一个检测框被认为是正样本，那么该检测框会参与检测中的目标分类、置信度预测以及边界框回归。
而如果该检测框被认为是负样本，也就是模型认为该检测框没有框中感兴趣的目标，仅仅是包含了一些背景，那么该框仅仅会进行置信度的预测。
以二分类交叉熵置信度损失函数为例：
N表示总样本数，pi表示检测框的预测置信度值，yi表示检测框是正样本(1)还是负样本(0)
对于一个检测框，如果被认为是正样本（有目标），则yi=1，那么等式右边的第二项就为0了，此时变成了 Lobj = -log(pi)，预测置信度越接近大，则Lobj越小。
对于一个检测框，如果被认为是负样本（纯背景），则yi=0，那么等式右边的第一项就为0了，此时变成了 Lobj = -log(1 - pi)，预测置信度越接近大，则Lobj也越大。
通过多轮的训练，每次前向传播和反向传播后，梯度下降，模型参数会朝使损失函数减少的方向调整，损失不断降低。
正样本置信度逐渐接近 1，类别预测逐渐准确，边界框与真实框逐步重合。负样本置信度逐渐接近 0，减少对背景区域的误检测。