關于機器學習中的正負樣本問題，我之前想過一次，但后來有點糊涂了。我閱讀了一些在線摘要并記錄在此處。

我們經常涉及的任務是檢測和分類。

對于分類問題，正樣本就是我們要正確分類的類別對應的樣本。例如，我們需要對一張圖片進行分類，以確定它是否屬于汽車。那么在訓練過程中，汽車的圖片是一個正樣本。原則上，一個負樣本可以選擇任何其他不是汽車的圖片車產翻譯模板，這樣就可以訓練一個汽車的分類網絡。在這個網絡上測試會發(fā)現車產翻譯模板，它會將一些非汽車圖片誤報為汽車。假陽性圖片是“困難樣本”。在后續(xù)的訓練中，這些硬樣本被加入到負樣本集中進行訓練。*終的網絡模型效果會更好。這個過程被稱為“困難的例子”。Dig”。另外，在選擇負樣本時，原則上，您可以選擇任何非汽車圖片作為負樣本，但更合理的情況應該考慮實際應用場景，例如實際應用是行車記錄儀上拍攝的圖片。那么對于分類，負樣本應該是其他非汽車圖片，如道路、樹木、路燈等。

針對檢測問題，需要判斷哪里有什么東西，也就是位置回歸，還要分類。這時候正樣本就是我們預先標出的bbox box的一部分，但是一般的檢測框架都是按照一定的規(guī)則生成一些預測的bbox，所以在選擇正樣本的時候需要判斷重疊在這些生成的 bbox 和 GT bbox 之間。如果重疊大于某個閾值，則將預測的 bbox 視為正樣本。如果沒有超過這個閾值，就被認為是一個負樣本。以下摘自博客中的解釋，針對SSD訓練中正負樣本的生成：

給定輸入圖像和每個物體的Ground Truth，首先找到每個Ground True Box對應的Default Box中*大的IOU作為正樣本。然后，在剩余的 Default Boxes 中，找到那些與任何 Ground Truth Box 的 IOU 大于 0.5 的 Default Box 作為正樣本。其他被視為負樣本（每個 Default Box 要么是一個正樣本 Box，要么是一個負樣本 Box）。如上圖，兩個默認框匹配貓，一個匹配狗。在訓練過程中，采用了Hard Negative Mining的策略（所有box都按照Confidence Loss進行排序，使得正負例的比例保持在1：3），以平衡正負的比例例子。

引自

具體代碼沒有仔細研究。FasterRcnn 也是一個類似的策略。他們的代碼值得研究。但是目前不知道yolo選擇負樣本的時候有沒有什么策略。如果你有時間，你應該閱讀這篇論文。