误报漏报处理

背景

AI识别项目的长期价值不只看上线时效果，还看误报和漏报能否被持续记录、分析和改进。误报影响处置效率，漏报影响业务风险。

核心概念

• 误报：模型识别出问题，但人工确认不是有效目标。
• 漏报：实际存在目标，但模型没有识别出来。
• 阈值调整：通过置信度阈值平衡误报和漏报。
• 样本回流：把问题样例整理为后续训练或规则优化素材。

项目落地关注点

• 不同业务对误报和漏报容忍度不同，应按场景设置策略。
• 误报要记录原因，例如阴影、水面反光、相似物、遮挡。
• 漏报要记录采集条件，例如高度过高、角度不佳、目标太小。

数据/接口要点

• 误报字段：resultId、误报原因、人工备注、证据图。
• 漏报字段：任务ID、媒体ID、人工标注位置、目标类别。
• 样本字段：采集时间、场景、天气、飞行高度、目标尺寸。

验收/风险

• 验收报告应列出误报和漏报样例，而不是只展示成功样例。
• 调高阈值可能减少误报，但也可能增加漏报。
• 业务上线后要有持续反馈入口，否则模型难以改进。

待补充

• 补充误报原因字典。
• 补充样本回流流程。