难例挖掘（Hard Example Mining，HEM）是机器学习和深度学习中的一个重要概念，尤其在目标检测、图像分割和分类任务中非常关键。它指的是从训练数据集中识别出那些难以被模型正确分类或预测的样本，并将这些样本用于模型的进一步训练，以提高模型的鲁棒性和准确性。其核心思想是通过专注于那些模型预测错误的样本，来优化模型的性能。
难例挖掘的核心思想是通过挑选那些模型难以正确分类的样本，如误分类样本、低置信度样本、边界样本或稀有样本，帮助模型在复杂或边界模糊区域表现更好。这些样本通常具有较高的损失值，即模型在这些样本上分类错误或置信度较低。通过识别和强化这些难例，可以有效应对难例挖掘中的挑战，提升模型的整体性能。
难例挖掘分为多种方法，包括Hard Negative Mining和Online Hard Example Mining（OHEM）。Hard Negative Mining通过自举法不断收集错误分类的负例，提升模型效果；OHEM则在训练过程中动态选择损失较大的样本进行训练，提高训练效率。OHEM通过维护两个R-CNN子网络，前向传播筛选难例，后向传播更新权重，提升模型性能。实验表明，OHEM可使Fast R-CNN在VOC数据集上mAP提升约4%。
在线难例挖掘（OHEM）是一种通过减少计算成本来挑选难例，以提升网络在边界情况下的性能的方法。OHEM通过在每个训练批次中挖掘损失值高的样本（即难例），并对其损失进行加权，使模型更关注难例，从而提升性能。其优点包括无需设置正负样本比例、加速收敛、简化训练过程等。OHEM广泛应用于目标检测、图像分类等任务中，尤其在数据不平衡时效果显著。
难例挖掘在目标检测、分类、分割等领域均有广泛应用。例如，在目标检测中，难例挖掘用于提升负样本集的质量，将分类错误的负样本作为困难样本重新训练，以降低虚警率。在分类任务中，难例挖掘（Hard Example Mining，HEM）是提高类间可鉴别度的一种常见方法，通过在分类器训练阶段添加难例，使分类器学习到一个更好的决策边界。
难例挖掘是一种通过识别和强化模型难以正确分类的样本，以提升模型性能的技术。它在目标检测、分类、分割等领域有广泛应用，并且在处理不平衡数据和复杂场景时效果显著