検出器の誤検出対策として実世界の誤検出例（ハードネガティブ）を背景として学習させると、狙った誤検出は消えるが、ネガティブに含まれる構造と似た正例クラスの検出まで巻き添えで抑制されることがある（実例: PC画面のDockアイコン格子を背景学習 → 「小さな矩形の密な格子」全般が背景扱いになり、30枚並べた小カードの一括検出が退行）。

判断基準・手順

• ハードネガティブを入れるときは、そのネガティブと構造的に紛らわしい正例（例: 小サイズの対象が密に並ぶシーン）を同時に学習データへ追加し、境界（何が違うのか: 文字行の有無など）をモデルに学ばせる
• 退行検知のため、ネガティブ追加の前に既存の全ユースケース（エッジケース含む）を回帰テスト化しておく。今回は既存のE2Eテスト（30枚一括）が巻き添えを検知した
• 評価用の簡易再現シーンを自作するときは実経路との描画忠実度に注意。実経路（video要素経由の描画パイプライン）と直接描画では検出可否が変わり、偽の不合格で迷走しうる。実経路のE2Eテストを正とする
• ネガティブ素材は学習用と未見評価用に分離し、「未見ネガティブで誤検出0件」を合格基準に加えると、誤検出対策の効果を独立に検証できる