在目標檢測中我們會事先標記好ground_truth，接下來在圖片中隨機提取一系列sample，與ground_truth重疊率IoU超過一定閾值的(比如0.5)，則認為它是positive sample，否則為negative sample，考慮到實際負樣本數>>正樣本數，我們為了避免network產生預測位負例的趨向，取正樣本數：負樣本數大約為1:3，顯而易見，用來訓練網路的負樣本為提取的負樣本的子集。

那麼負樣本中哪些是困難負樣本(hard negative)呢？困難負樣本是指哪些容易被網路預測為正樣本的proposal，即假陽性(false positive)，如roi裡有二分之一個目標時，雖然它仍是負樣本，卻容易被判斷為正樣本，這塊roi即為hard negative，訓練hard negative對提升網路的分類效能具有極大幫助，因為它相當於一個錯題集。

如何判斷它為困難負樣本呢？也很簡單，我們先用初始樣本集(即第一幀隨機選擇的正負樣本)去訓練網路，再用訓練好的網路去預測負樣本集中剩餘的負樣本，選擇其中得分最高，即最容易被判斷為正樣本的負樣本為困難樣本，加入負樣本集中，重新訓練網路，迴圈往復，然後我們會發現:咦！我們的網路的分類效能越來越強了！假陽性負樣本與正樣本間也越來越相似了！(因為此時只有這些妖怪區域能迷惑我們的分類器了)。

完結！撒花！