參考於
我們經常涉及到的任務有檢測以及分類。

針對與分類問題，正樣本則是我們想要正確分類出的類別所對應的樣本，例如，我們要對一張圖片進行分類，以確定其是否屬於汽車，那麼在訓練的時候，汽車的圖片則為正樣本，負樣本原則上可以選取任何不是汽車的其他圖片，這樣就可以訓練出來一個汽車的分類網路，對這個網路進行測試會發現，它會將一些非汽車的圖片誤報成汽車，這些誤報的圖片則為“難分樣本”，後續進行訓練的時候，將這些難分樣本加入至負樣本集合中進行訓練，最後得到的網路模效果會更好一些，這個過程就叫做“難例挖掘”。另外，在選取負樣本的時候，原則上是可以選擇任意非汽車的圖片作為負樣本，但是比較合理的情況應該是要考慮到實際應用場景，例如實際應用是對行車記錄儀上面捕捉到的圖片進行分類，那麼，負樣本則應該是捕捉到的其他非汽車的圖片，例如馬路，樹木，路燈等。

針對與檢測問題，需要確定哪裡有什麼，也就是既要對位置進行迴歸，還要進行分類，這時的正樣本就是我們事先標註出來的bbox框之中的部分，但是一般的檢測框架，都是按照一定的規則生成一些預測bbox，那麼在進行正樣本的選取時，就需要判斷這些生成的bbox與GT的bbox之間的overlap，如果overlap大於某一閾值，則將該預測bbox作為正樣本，如果沒有超過這一閾值，則認為是負樣本。下面摘錄一段部落格中的解釋，是針對與SSD訓練中的正負樣本的生成問題：

給定輸入影象以及每個物體的Ground Truth，首先找到每個Ground True Box對應的Default Box中IOU最大的作為正樣本。然後，在剩下的Default Box中找到那些與任意一個Ground Truth Box的IOU大於0.5的Default Box作為正樣本。其他的作為負樣本（每個Default Box要麼是正樣本Box要麼是負樣本Box）。如上圖中，兩個Default Box與貓匹配，一個與狗匹配。在訓練過程中，採用Hard Negative Mining 的策略（根據Confidence Loss對所有的Box進行排序，使正負例的比例保持在1:3） 來平衡正負樣本的比率。

具體的程式碼還沒有仔細研究，FasterRcnn也是類似的策略，它們的程式碼都值得好好研究一下，但是目前還不知道yolo再選取負樣本的時候有沒有用到什麼策略，有時間應該拜讀一下論文。