结论先行：街景感知中的误检，很大一部分根源不在检测头，而在分类损失对“简单背景”的过度宽容。2026年5月发表于Applied Intelligence的 BiFP-ATFL-YOLO11 工作，在 YOLO11 上引入自适应阈值 Focal Loss（ATFL）与 BiFPN，在 BDD100K 真实街景上将 mAP@0.5 从 51.10% 推至 51.50%，mAP@0.5:0.95 从 30.4% 提升到 30.6%，且没有引入额外的训练不稳定性。增幅看似不大，但考虑到 YOLO11 本身已是高度调优的基线，0.2 个点的 mAP@0.5:0.95 在街景这种“简单样本压倒性多”的分布下，反映的是误检层面的实质性改善。
一、街景感知的误检，为什么盯着 Focal Loss 不放？
1.1 街景的“简单背景”不是少数派，而是绝对多数
BDD100K、Cityscapes 这类城市街景数据集有一个被低估的统计特征：绝大多数锚点或预测位置对应的是天空、路面、建筑立面、护栏等“绝对负样本”。行人和车辆只占据极小的空间比例，且尺度跨度极大——远处行人可能只有十几个像素，近处车辆又占据大面积视野。严重的遮挡和类别不平衡进一步放大了训练信号的偏置。
标准 Focal Loss 的设计初衷是好的：通过调制因子 ((1-p_t)^\gamma) 压低高置信度简单样本的损失权重，让模型聚焦于难样本
