本人學術小渣，最開始研究的是目標檢測的指標，里面用到了ground Truth，使用預測的邊界框與ground Truth邊界框的交並比（即IoU）來量化預測結果的准確度。我曾經一度以為正樣本就是ground Truth邊界框，負樣本就是在背景中隨機采樣到的邊界框。直到最近回顧目標檢測算法，才慢慢開始明白。參考鏈接，描述如下：
參考faster以及SSD兩種檢測框架中對於正負樣本的選取准則，首先，檢測問題中的正負樣本並非人工標注的那些框框，而是程序中（網絡）生成出來的ROI，也就是faster rcnn中的anchor boxes以及SSD中在不同分辨率的feature map中的默認框，這些框中的一部分被選為正樣本，一部分被選為負樣本，另外一部分被當作背景或者不參與運算。不同的框架有不同的策略，大致都是根據IOU的值，選取個閾值范圍進行判定，在訓練的過程中還需要注意均衡正負樣本之間的比例。在fast的框架中，也是需要多SS算法生成的框框與GT框進行IOU的判斷，進而選取正負樣本，總之，正負樣本都是針對於程序生成的框框而言，而非GT數據。
選取的正負樣本是用來訓練回歸損失或者分類損失的。