hard negative mining

【1】对于目标检测中我们会事先标记处ground truth，然后再算法中会生成一系列proposal，这些proposal有跟标记的ground truth重合的也有没重合的，那么重合度（IOU）超过一定阈值（通常0.5）的则认定为是正样本，以下的则是负样本。
【2】然后扔进网络中训练。However，这也许会出现一个问题那就是正样本的数量远远小于负样本，这样训练出来的分类器的效果总是有限的，会出现许多false positive，把其中得分较高的这些false positive当做所谓的Hard negative，既然mining出了这些Hard negative，就把这些扔进网络再训练一次，从而加强分类器判别假阳性的能力。
（要通过设置超参数设定使得假阴性尽可能的小，也就是拒绝被则假设。所以这个网络要足够好的条件，就是能够使得假阴性尽可能的小）
boosttraping
对于二分类问题，正样本数量远小于负样本数量。
当正负样本取相同数量的时候，会导致难以找到难例和正样本之前的差距。
1，随机采样，训练，得到分类器
2，分类器在训练集中训练。
3，将分错的数据单独做成集合。（包括假阳性和假阴性）
4，只用分错的数据来训练。
迭代循环。