此处仅作学习记录之用。
在目标检测中我们会事先标记好ground_truth，接下来在图片中随机提取一些列sample，与ground_truth重叠率IOU超过一定阈值的（比如0.5）, 则认为它是positive sample，否则为negative sample，考虑到实际负样本的数量远大于正样本的数量，我们为了避免network的预测值少数服从多数而向负样本靠拢，取正样本数：负样本数大约为1：3，显而易见，用来训练网络的负样本为提取的负样本的子集，那么，我们当然选择负样本中容易被分错类的困难负样本来进行训练。
那么负样本中哪些是困难负样本（hard negative）呢？困难负样本是指那些容易被网络预测为正样本的proposal，即假正例（false positive）, 例如roi里有二分之一目标时，虽然它仍是负样本，却容易被判断为正样本，这块roi即为hard negative，训练hard negative对提升网络的分类性能具有极大帮助，因为它相当于一个错题集。
如何判断它为困难负样本呢？也很简单，我们先用初始样本集去训练，再用训练好的网络模型去预测负样本集中的负样本，选择其中得分最高，即最容易被判断为正样本的负样本为困难样本，加入负样本集中，重新训练网络，循环往复，然后我们会发现：咦！我们的网络的分类性能越来越强了！假阳性负样本与正样本间也越来约相似了！（因为此时只有这些妖怪区域能迷惑我们的分类器了）
2.原文来自于：https://blog.csdn.net/u012285175/article/details/77866878
最近一直在看关于CNN的目标检测的文章，在这中间会经常看到hard negative mining这个名词，在这里把这个词解释一下：假设给你一堆包含一个或多个人物的图片，并且每一个人都给你一个bounding box做标记，如果要训练一个分类器去做分类的话，你的分类器需要既包含正训练样本（人）和负训练样本（背景）。
你通过观察bounding box去创建一个有用的正训练样本，那么怎么做才能创建一个有用的负训练样本呢？
一个很好的方式就是在开始的时候随机创建一堆的bounding box候选框，并且不能与你的正样本有任何的重叠，把这些未与正样本重叠的新的bounding box作为你的负样本。
好了，这样你的正负样本都有了，可以训练可用的分类器了，你用滑动窗口在你的训练图片上进行运行，但是你会发现你的分类器并不是很好用，分类的效果并不是很好，因为它会抛出一堆错误的正样本，即假正例（当检测到人时，实际上却不是人），那么问题就来了，你训练了一个分类器，然而这个分类器并不能达到你想要的效果，那么应该怎么办呢？
这个时候就要用到hard negative了，hard negative就是当你得到错误的检测patch时，会明确的从这个patch中创建一个负样本，并把这个负样本添加到你的训练集中去。当你重新训练你的分类器后，分类器会表现的更好，并且不会像之前那样产生多的错误的正样本。