以人臉識別為例，如果你的任務是識別教室中的人臉，那麼負樣本的選取應該是教室中的窗戶、椅子、牆、人的身體、衣服顏色等等，而不是天空、月亮這些對本任務沒有幫助的場景。當然，如果不確定應用環境，那麼應該選取盡可能有不同光照不同環境的自然影象作為負樣本。
個人理解的正樣本就是任務所要檢測的目標物，比如在人臉識別中不同種族年齡的人臉、不同表情的人臉、戴不同裝飾的人臉等等情況下的人臉；而負樣本則是目標物所處的不同背景(注意：此背景不包含人臉)，比如人臉會出現在不同環境中，街道、室內總之所有能想到的環境中都有可能出現人臉哈哈，負樣本就是這些不包含人臉的，如果需要很多負樣本，則可以把這些不包含人臉的裁剪成所需大小。
參考faster以及ssd兩種檢測框架中對於正負樣本的選取準則，首先，檢測問題中的正負樣本並非人工標註的那些框框，而是程式中（網路）生成出來的roi，也就是faster rcnn中的anchor boxes以及ssd中在不同解析度的feature map中的預設框，這些框中的一部分被選為正樣本，一部分被選為負樣本，另外一部分被當作背景或者不參與運算。不同的框架有不同的策略，大致都是根據iou的值，選取個閾值範圍進行判定，在訓練的過程中還需要注意均衡正負樣本之間的比例。在fast的框架中，也是需要多ss演算法生成的框框與gt框進行iou的判斷，進而選取正負樣本，總之，正負樣本都是針對於程式生成的框框而言，而非gt資料。
乙個小技巧：在訓練檢測網路時，若已經訓練出乙個較好的檢測器，在用它進行測試時，還會有一些誤檢，這時可以把誤檢的影象加入負樣本中retrain檢測網路，迭代次數越多則訓練模型越好
機器學習中的正負樣本
在機器學習中經常會遇到正負樣本的問題，花了一點時間查詢資料，基本上弄明白了一點到底是怎麼回事，記錄在這裡以便以後檢視，也希望能夠幫助到有疑惑的人，當然也希望理解的比較透徹的人看到之後對於理解的不對的地方能夠予以指點。首先我將這個問題分為分類問題與檢測問題兩個方面進行理解。在分類問題中，這個問題相對好...
機器學習中的正負樣本
本文 在機器學習中經常會遇到正負樣本的問題，花了一點時間查詢資料，基本上弄明白了一點到底是怎麼回事，記錄在這裡以便以後檢視，也希望能夠幫助到有疑惑的人，當然也希望理解的比較透徹的人看到之後對於理解的不對的地方能夠予以指點。首先我將這個問題分為分類問題與檢測問題兩個方面進行理解。在分類問題中，這個問題...
機器學習中的正負樣本
對於機器學習中的正負樣本問題，之前思考過一次，但是後來又有些迷惑，又看了些網上的總結，記錄在這裡。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，汽車的則為正樣本，負樣本原則上可以...