此處僅作學習記錄之用。
在目標檢測中我們會事先標記好ground_truth，接下來在圖片中隨機提取一些列sample，與ground_truth重疊率IOU超過一定閾值的（比如0.5）, 則認為它是positive sample，否則為negative sample，考慮到實際負樣本的數量遠大於正樣本的數量，我們為了避免network的預測值少數服從多數而向負樣本靠攏，取正樣本數：負樣本數大約為1：3，顯而易見，用來訓練網絡的負樣本為提取的負樣本的子集，那么，我們當然選擇負樣本中容易被分錯類的困難負樣本來進行訓練。
那么負樣本中哪些是困難負樣本（hard negative）呢？困難負樣本是指那些容易被網絡預測為正樣本的proposal，即假正例（false positive）, 例如roi里有二分之一目標時，雖然它仍是負樣本，卻容易被判斷為正樣本，這塊roi即為hard negative，訓練hard negative對提升網絡的分類性能具有極大幫助，因為它相當於一個錯題集。
如何判斷它為困難負樣本呢？也很簡單，我們先用初始樣本集去訓練，再用訓練好的網絡模型去預測負樣本集中的負樣本，選擇其中得分最高，即最容易被判斷為正樣本的負樣本為困難樣本，加入負樣本集中，重新訓練網絡，循環往復，然后我們會發現：咦！我們的網絡的分類性能越來越強了！假陽性負樣本與正樣本間也越來約相似了！（因為此時只有這些妖怪區域能迷惑我們的分類器了）
2.原文來自於：https://blog.csdn.net/u012285175/article/details/77866878
最近一直在看關於CNN的目標檢測的文章，在這中間會經常看到hard negative mining這個名詞，在這里把這個詞解釋一下：假設給你一堆包含一個或多個人物的圖片，並且每一個人都給你一個bounding box做標記，如果要訓練一個分類器去做分類的話，你的分類器需要既包含正訓練樣本（人）和負訓練樣本（背景）。
你通過觀察bounding box去創建一個有用的正訓練樣本，那么怎么做才能創建一個有用的負訓練樣本呢？
一個很好的方式就是在開始的時候隨機創建一堆的bounding box候選框，並且不能與你的正樣本有任何的重疊，把這些未與正樣本重疊的新的bounding box作為你的負樣本。
好了，這樣你的正負樣本都有了，可以訓練可用的分類器了，你用滑動窗口在你的訓練圖片上進行運行，但是你會發現你的分類器並不是很好用，分類的效果並不是很好，因為它會拋出一堆錯誤的正樣本，即假正例（當檢測到人時，實際上卻不是人），那么問題就來了，你訓練了一個分類器，然而這個分類器並不能達到你想要的效果，那么應該怎么辦呢？
這個時候就要用到hard negative了，hard negative就是當你得到錯誤的檢測patch時，會明確的從這個patch中創建一個負樣本，並把這個負樣本添加到你的訓練集中去。當你重新訓練你的分類器后，分類器會表現的更好，並且不會像之前那樣產生多的錯誤的正樣本。