本人学术小渣，最开始研究的是目标检测的指标，里面用到了ground Truth，使用预测的边界框与ground Truth边界框的交并比（即IoU）来量化预测结果的准确度。我曾经一度以为正样本就是ground Truth边界框，负样本就是在背景中随机采样到的边界框。直到最近回顾目标检测算法，才慢慢 ...

论文下载：https://arxiv.org/pdf/1512.02325.pdf 论文代码：https://github.com/weiliu89/caffe/tree/ ...

正样本是指属于某目标类别的样本，负样本是指不属于目标类别的样本。 以分类问题为例，正样本即为我们想要分类出来的样本类型。比如在汽车分类场景下，我们需要确定一张照片是否为汽车，则在训练过程中，汽车图片就为正样本，非汽车图片为负样本，训练模型后得到一个分类模型。测试 ...

对于机器学习中的正负样本问题，之前思考过一次，但是后来又有些迷惑，又看了些网上的总结，记录在这里。 我们经常涉及到的任务有检测以及分类。 针对与分类问题，正样本则是我们想要正确分类出的类别所对应的样本，例如，我们要对一张图片进行分类，以确定其是否属于汽车，那么在训练的时候，汽车的图片则为正样本 ...

在机器学习中经常会遇到正负样本的问题，花了一点时间查找资料，基本上弄明白了一点到底是怎么回事，记录在这里以便以后查看，也希望能够帮助到有疑惑的人，当然也希望理解的比较透彻的人看到之后对于理解的不对的地方能够予以指点。 首先我将这个问题分为分类问题与检测问题两个方面进行理解。在分类问题中，这个问题 ...

标检测任务是计算机视觉的基础任务之一，主要任务是对图像中的目标进行分类和定位。但是现有的目标检测任务基于大量的标注的图像进行训练，限制了某些场景下的应用和推广。 通过应用较少的标注数据的半监督方法或者利用不完全匹配的标注数据的弱监督方法，利用极少的标注数据学习具有一定泛化能力的模型显得较为重 ...

工业界机器学习典型问题: 正负样本分布极不均匀(通常<1:10000），有什么较好的方案构造训练集的正负样本分布？构造后如何解决训练数据与预测的分布不一致？ 上采样、下采样、代价敏感，没什么好办法。 这个之前调研过，主要分重采样和欠采样！这种不平衡是因为比率的不平衡 ...

最好的trick就是保证数据精准前提下，如无必要，不要采样。既然数据是模型的上限，就不应该破坏这个上限。 聊聊什么是精准。 很多号称数据清洗的工作，都是工程体系太弱的后果，其实不是算法的问题。比如，没有曝光日志，用了服务端日志，伪曝光做了负样本；没有准确的曝光日志 ...