关于机器学习中的正负样本问题，我之前想过一次，但后来有点糊涂了。我阅读了一些在线摘要并记录在此处。

我们经常涉及的任务是检测和分类。

对于分类问题，正样本就是我们要正确分类的类别对应的样本。例如，我们需要对一张图片进行分类，以确定它是否属于汽车。那么在训练过程中，汽车的图片是一个正样本。原则上，一个负样本可以选择任何其他不是汽车的图片车产翻译模板，这样就可以训练一个汽车的分类网络。在这个网络上测试会发现车产翻译模板，它会将一些非汽车图片误报为汽车。假阳性图片是“困难样本”。在后续的训练中，这些硬样本被加入到负样本集中进行训练。*终的网络模型效果会更好。这个过程被称为“困难的例子”。Dig”。另外，在选择负样本时，原则上，您可以选择任何非汽车图片作为负样本，但更合理的情况应该考虑实际应用场景，例如实际应用是行车记录仪上拍摄的图片。那么对于分类，负样本应该是其他非汽车图片，如道路、树木、路灯等。

针对检测问题，需要判断哪里有什么东西，也就是位置回归，还要分类。这时候正样本就是我们预先标出的bbox box的一部分，但是一般的检测框架都是按照一定的规则生成一些预测的bbox，所以在选择正样本的时候需要判断重叠在这些生成的 bbox 和 GT bbox 之间。如果重叠大于某个阈值，则将预测的 bbox 视为正样本。如果没有超过这个阈值，就被认为是一个负样本。以下摘自博客中的解释，针对SSD训练中正负样本的生成：

给定输入图像和每个物体的Ground Truth，首先找到每个Ground True Box对应的Default Box中*大的IOU作为正样本。然后，在剩余的 Default Boxes 中，找到那些与任何 Ground Truth Box 的 IOU 大于 0.5 的 Default Box 作为正样本。其他被视为负样本（每个 Default Box 要么是一个正样本 Box，要么是一个负样本 Box）。如上图，两个默认框匹配猫，一个匹配狗。在训练过程中，采用了Hard Negative Mining的策略（所有box都按照Confidence Loss进行排序，使得正负例的比例保持在1：3），以平衡正负的比例例子。

引自

具体代码没有仔细研究。FasterRcnn 也是一个类似的策略。他们的代码值得研究。但是目前不知道yolo选择负样本的时候有没有什么策略。如果你有时间，你应该阅读这篇论文。