目标检测中的正负样本

        在做目标检测任务时对其中的正负样本不太清楚，看了很多资料，发现这篇博客解释的比较清晰，下面图片也出自上述博客。

       以人脸识别为例，如果你的任务是识别教室中的人脸，那么负样本的选取应该是教室中的窗户、椅子、墙、人的身体、衣服颜色等等，而不是天空、月亮这些对本任务没有帮助的场景。当然，如果不确定应用环境，那么应该选取尽可能有不同光照不同环境的自然图像作为负样本。

       个人理解的正样本就是任务所要检测的目标物，比如在人脸识别中不同种族年龄的人脸、不同表情的人脸、戴不同装饰的人脸等等情况下的人脸；而负样本则是目标物所处的不同背景(注意：此背景不包含人脸)，比如人脸会出现在不同环境中，街道、室内总之所有能想到的环境中都有可能出现人脸哈哈，负样本就是这些不包含人脸的图片，如果需要很多负样本，则可以把这些不包含人脸的图片裁剪成所需图片大小。

       参考faster以及SSD两种检测框架中对于正负样本的选取准则，首先，检测问题中的正负样本并非人工标注的那些框框，而是程序中（网络）生成出来的ROI，也就是faster rcnn中的anchor boxes以及SSD中在不同分辨率的feature map中的默认框，这些框中的一部分被选为正样本，一部分被选为负样本，另外一部分被当作背景或者不参与运算。不同的框架有不同的策略，大致都是根据IOU的值，选取个阈值范围进行判定，在训练的过程中还需要注意均衡正负样本之间的比例。在fast的框架中，也是需要多SS算法生成的框框与GT框进行IOU的判断，进而选取正负样本，总之，正负样本都是针对于程序生成的框框而言，而非GT数据。

一个小技巧：在训练检测网络时，若已经训练出一个较好的检测器，在用它进行测试时，还会有一些误检，这时可以把误检的图像加入负样本中retrain检测网络，迭代次数越多则训练模型越好